Un avatar de IA puede aparecer en una playa, en el escenario de una conferencia o en una calle con mucho tráfico, y aun así su voz suele sonar como si se hubiera grabado siempre en la misma cabina pequeña. La imagen dice «exterior»; el sonido dice «armario». Ese desajuste es el que HeyGen quiere resolver con HeyGen Voice, un modelo de voz propio que la empresa lanzó el 9 de octubre de 2026.
Qué cambia la clonación consciente de la escena
La clonación de voz consiste en crear una voz sintética a partir de la grabación de una persona real, de modo que las frases nuevas conserven su timbre, su acento y su forma de hablar. El informe de investigación de HeyGen describe un modelo con tres entradas: una grabación de tu voz, un guion y una imagen de destino. La imagen es la clave. En el llamado modo scene-aware, la entonación y la acústica se ajustan al lugar que aparece en pantalla, como un estudio, un exterior o una gran sala de presentaciones. En lugar de arrastrar la sala y el micrófono de la grabación original a cada escena, el sonido se adapta a cada una.
En la práctica, ya no tienes que crear estilos de voz separados ni corregir el audio escena por escena, un trabajo que normalmente hace un editor a mano. La página del modelo incluye además un control «Set the scene» con tres reguladores: variación del tono, nivel de fondo y estabilidad del ambiente. Escuchemos con atención: una voz cercana y seca de estudio y una voz que llena un auditorio son experiencias distintas, aunque las palabras sean idénticas.
El regulador Expressiveness Boost
Aparte de la adaptación a la escena, HeyGen ofrece un Expressiveness Boost. Según la empresa, es una capa entrenada con las preferencias de los oyentes y evaluada en todo momento frente a tu grabación de referencia, que añade énfasis, ritmo e inflexión. Funciona como un único regulador que va de la entonación básica a la máxima energía; en cero, recuperas el modelo base. Un ajuste de similitud aparte ofrece cuatro modos por frase, de «More adaptive» a «Closer to original».
Quién puede usarlo y cuánto cuesta
Dentro de la aplicación de HeyGen, una Instant Voice creada con hasta 60 segundos de audio es gratuita, igual que las voces usadas en vídeos de HeyGen. Un Professional Voice Clone, que necesita entre 30 minutos y dos horas de audio, es un complemento de pago desde 29 dólares al mes. A través de la API, la conversión de texto a voz cuesta 30 dólares por cada millón de caracteres. Un modo Turbo más rápido para voces instantáneas cuesta la mitad, y las notas de versión de HeyGen indican que Turbo se puede probar gratis hasta el 30 de noviembre con capacidad compartida.
Cuánto pesa la clasificación
HeyGen afirma que el modelo debutó en el primer puesto de una clasificación de clonación de voz de Artificial Analysis. Es una referencia externa, pero estas clasificaciones cambian rápido, y la mayoría de las comparaciones directas que aparecen en las páginas de HeyGen proceden de pruebas de preferencia de la propia empresa. Tómala como punto de partida, no como veredicto.
Nuestra valoración
Lo interesante no es una voz más bonita, sino una voz que encaja con la imagen. Es un punto débil real del vídeo con avatares, porque el público nota los desajustes acústicos aunque no sepa explicarlos. Eso sí, la función tiene solo unas semanas y las pruebas publicadas sobre la adaptación a la escena proceden de la propia HeyGen, así que es razonable esperar resultados desiguales, por ejemplo una frase que sigue sonando a estudio en una escena claramente exterior. La prueba justa es sencilla: genera una frase corta en una habitación tranquila, en un gran espacio interior y en un exterior ruidoso, y compáralas con auriculares antes de confiar en ella para proyectos de clientes.
