Cómo seleccionamos 279 voces de IA para DIALOGUE: Detrás de la biblioteca de voces

<p>Cuando DIALOGUE se lanzó, ofrecíamos 30 voces de IA integradas. Eso estaba bien para un producto inicial: suficiente variedad para cubrir algunos idiomas y tipos de contenido. Pero a medida que nuestros usuarios comenzaron a producir podcasts en 7 idiomas, en docenas de formatos, desde boletines corporativos hasta módulos de cursos, 30 voces empezaron a sentirse como un techo creativo.</p> <p>Así que hicimos algo inusual. En lugar de licenciar un puñado de voces premium de un solo proveedor, revisamos toda la biblioteca de voces compartida de ElevenLabs — cada página, cada voz — y seleccionamos un catálogo de 279.</p> <h2>¿Por qué la biblioteca de voces compartida de ElevenLabs?</h2> <p>La biblioteca de voces compartida es un recurso comunitario. Estas son <strong>voces reales aportadas y utilizadas por creadores de todo el mundo</strong> — no voces sintéticas generadas a partir de unos pocos modelos base. Cada una tiene un voice_id que corresponde a una voz real de ElevenLabs que puedes consultar. Esa transparencia es importante para nosotros: cuando seleccionas una voz en DIALOGUE, estás eligiendo una voz real que existe en el ecosistema, no una etiqueta opaca.</p> <p>También significa que las voces han sido probadas en combate. Si una voz se ha utilizado miles de veces en la plataforma de ElevenLabs, es una señal fuerte de que suena bien en la práctica, no solo en una vista previa de 10 segundos.</p> <h2>Cómo evaluamos cada voz</h2> <p>El proceso fue metódico, no algorítmico. Revisamos la biblioteca de voces compartida de forma sistemática, probando cada voz contra cuatro criterios:</p> <p><strong>Calidad de sonido natural.</strong> ¿Suena como una persona hablando, o como una máquina leyendo? Rechazamos las voces con artefactos robóticos, ritmo irregular o timbre sintético.</p> <p><strong>Rango expresivo.</strong> ¿Puede la voz manejar preguntas, afirmaciones, entusiasmo y explicaciones tranquilas sin sonar plana? Una voz que solo hace bien una emoción no es lo suficientemente versátil para el podcasting.</p> <p><strong>Claridad.</strong> ¿Se pueden seguir frases complejas sin tener que rebobinar? Esto es especialmente importante para contenido educativo y empresarial donde la información densa es común.</p> <p><strong>Autenticidad lingüística.</strong> Para las voces en otros idiomas, priorizamos a los hablantes nativos. Una voz en japonés que suena como si fuera construida a partir de un modelo TTS en inglés con fonemas japoneses pegados encima es inmediatamente perceptible para un oyente nativo, y eso rompe la confianza.</p> <h2>El sistema de etiquetas descriptivas</h2> <p>Una de las partes más caóticas de las bibliotecas de voces son las descripciones en texto libre. "Una voz cálida pero profesional con toques de alegría" — ¿qué significa eso realmente? Diferentes personas escuchan cosas diferentes.</p> <p>Reemplazamos esa ambigüedad con <strong>etiquetas descriptivas claras</strong> — relajada, informal, tranquila, segura, profunda, enérgica, cálida, autorizada y otras. Cada voz recibe exactamente una etiqueta principal. Esto no es una reducción; es una decisión de diseño. Cuando estás revisando 279 voces para un podcast de noticias tecnológicas, filtrar por "enérgica" te lleva a los candidatos correctos más rápido que leer párrafos de prosa.</p> <h2>Clasificación basada en uso</h2> <p>El orden de las voces en nuestro catálogo no es arbitrario. Clasificamos las voces por <strong>popularidad real</strong> usando los datos de uso de ElevenLabs. Las voces que los creadores de todo el mundo utilizan con más frecuencia aparecen en la parte superior. Esto significa que el catálogo mejora por sí mismo con el tiempo: a medida que cambian los patrones de uso, la clasificación refleja lo que realmente funciona en la práctica.</p> <h2>Selección de acentos</h2> <p>Los catálogos de voces de IA a menudo predeterminan un solo dialecto "estándar" por idioma. Nosotros fuimos más allá. Nuestras voces en japonés incluyen el dialecto de Kansai junto con el japonés estándar. Las voces en vietnamita cubren tanto el acento del sur como el del norte. Esto no se trata solo de representación, sino de <strong>confianza de la audiencia</strong>. Un oyente en Osaka nota la diferencia entre un hablante de Kansai y una voz estándar de Tokio, y esa diferencia afecta cómo reciben tu contenido.</p> <h2>Equilibrio de género</h2> <p>Para cada idioma en el catálogo, buscamos un número aproximadamente igual de voces masculinas y femeninas. Esto no es un simple requisito por cumplir. Los podcasts con dos presentadores funcionan mejor cuando las voces tienen características distintas pero complementarias, y el género es un eje de ese contraste. Un catálogo equilibrado significa que puedes emparejar voces para conversaciones dinámicas sin compromisos.</p> <h2>¿Por qué 279 y no 500?</h2> <p>Podríamos haber incluido más. La biblioteca de voces compartida de ElevenLabs tiene miles de entradas. Pero establecimos un estándar de calidad y lo mantuvimos: <strong>cada voz fue personalmente evaluada y calificada</strong>. Agregar más voces por debajo de ese estándar inflaría el número sin mejorar la experiencia. 279 fue el límite natural donde la calidad y la cantidad se encontraron.</p> <h2>Transparencia</h2> <p>Cada voice_id en nuestro catálogo corresponde a una voz real de ElevenLabs. Sin etiquetas sintéticas, sin IDs internos opacos. Puedes tomar cualquier voice_id de DIALOGUE y buscarlo en el ecosistema de ElevenLabs. Creemos que los creadores merecen saber exactamente qué voces están usando.</p> <p>Seleccionar 279 voces no fue el camino más rápido — tomó semanas de escucha, comparación y evaluación. Pero el resultado es un catálogo donde cada voz merece su lugar, ordenado por lo que realmente funciona, en los dialectos que la gente realmente habla. Esa es la biblioteca que queríamos como creadores nosotros mismos.</p>