Generación de archivo .WAV de audio para entrenamiento de voz TTS

En nuestra entrada anterior (Generación de texto a voz con XTTSv2 sobre WSL2 con Coqui), exploramos cómo montar un estudio local de locución y síntesis mediante inteligencia artificial utilizando el motor XTTSv2 y contenedores en WSL2.

Uno de los pilares fundamentales para lograr una clonación zero-shot exitosa —y evitar que la IA invente acentos extraños, balbucee o lea incorrectamente la puntuación— reside en la calidad de la muestra de audio que le entregamos al sistema.

En este artículo, te comparto la guía definitiva para grabar, procesar y exportar tu archivo referencia.wav utilizando Audacity, optimizado matemáticamente para que el motor neuronal capture los graves y matices de tu voz sin distorsiones.

1. El secreto de una buena muestra: Duración y Fonética

Cuando nos enfrentamos a la clonación de voz por primera vez, solemos cometer el error de grabar textos demasiado largos (como páginas enteras o artículos técnicos). Irónicamente, menos es más.

• Duración recomendada: Entre 6 y 8 segundos.
• Por qué: Una muestra corta evita que cargues la lectura con entonaciones dramáticas innecesarias, pausas excesivas o variaciones de volumen que confunden al codificador de la IA.

El Párrafo Fonético Sugerido

Utiliza este texto exacto para tu grabación. Está diseñado con un ritmo conversacional completamente plano y natural, cubriendo las vocales abiertas, consonantes nasales y oclusivas clave de nuestro idioma:

“Hola, soy Keivin. Hoy analizaremos cómo la tecnología y la educación transforman nuestra realidad a través de procesos simples.”

2. Paso a Paso: Grabación y Edición en Audacity

Abre Audacity en tu equipo y asegúrate de tener tu micrófono bien posicionado (a unos 10-15 cm, ligeramente ladeado para evitar ruidos de respiración directa).

A. La interpretación vocal

• Imagina que estás platicando tranquilamente con un colega en una charla de café.
• Mantén un volumen constante y un tono estrictamente plano y neutral (cero dramatismo de locutor comercial, sin subidas de voz exageradas en los signos de puntuación).
• Lee la frase de corrido y deja una micro-pausa limpia al terminar.

B. Limpieza de ruido ambiente (Reducción de ruido)

1. Selecciona con el cursor un pequeño fragmento de silencio al inicio o final de tu pista (donde solo se capture el ruido estático de fondo de tu habitación).
2. Ve al menú superior Efecto > Reducción de ruido y haz clic en el botón Obtener perfil de ruido.
3. Selecciona toda tu grabación presionando Ctrl + A.
4. Vuelve a Efecto > Reducción de ruido, deja los valores por defecto y haz clic en Aceptar. Esto eliminará cualquier zumbido eléctrico sin afectar tu timbre de voz.

3. La Exportación Quirúrgica (Requisito Indispensable para XTTSv2)

Los motores de clonación neuronal son extremadamente estrictos con los metadatos y la tasa de muestreo. Si exportas el archivo con un formato incorrecto, la inferencia fallará, se escuchará robótica o el sistema arrojará errores de decodificación.

Para cumplir exactamente con los requerimientos técnicos de Coqui XTTSv2, exporta tu archivo siguiendo estos pasos:

1. Ve a Archivo > Exportar > Exportar como WAV.
2. Nombra el archivo exactamente como referencia.wav y guárdalo dentro de tu directorio de trabajo del proyecto (por ejemplo, en ~/podcast_ia/).
3. En la ventana de diálogo de exportación, configura los parámetros de formato de esta manera:
   • Formato: WAV (Microsoft)
   • Codificación: PCM de 16 bits (Signed 16-bit PCM)
   • Canales: Cámbialo obligatoriamente a Mono (1 canal). (Nota técnica: Los modelos de IA procesan el audio en un solo canal; si lo exportas en Estéreo, el desajuste de fases arruinará la clonación).

Conclusión

Con tu archivo referencia.wav limpio, grabado en mono a 16 bits y con una duración menor a 8 segundos, habrás construido el insumo perfecto para alimentar el pipeline que vimos en nuestra entrada principal de Generación de texto a voz con XTTSv2 sobre WSL2 con Coqui.

Prueba colocar este archivo en tu entorno de trabajo y corre tu script de síntesis. ¡Notarás de inmediato cómo la fidelidad de tu voz clonada alcanza un nivel hiperrealista!