Habla con tu propia voz, en un idioma que no hablas

Esta es la parte de la traducción en tiempo real que casi todo el mundo hace mal y de la que casi nadie habla: la voz que escuchas.

Puedes tener un reconocimiento de voz excelente y una traducción excelente, y aun así acabar con una reunión que parece una máquina leyendo una lista. El último paso, convertir el texto traducido de nuevo en sonido, es donde la mayoría de las herramientas sustituyen discretamente tu voz por un único narrador sintético genérico. Ocho personas en la sala y una sola voz de robot para todas. Se pierde quién habla, el énfasis, la personalidad. Se entiende, pero no es una conversación.

InterMIND hace ese último paso de otra manera. Cuando hablas, los demás participantes oyen la traducción con una voz reconocible como tuya, que conserva tu timbre y tu manera de hablar, y que ahora dice las palabras en su idioma. Todavía no es una imitación impecable; lo importante es que eres tú y no un narrador genérico, y va mejorando. Esto funciona para todos los participantes, en ambas direcciones y al mismo tiempo.

Esta entrada es el capítulo que faltaba de Por dentro de los cuatro pipelines de traducción que hacen funcionar InterMIND: aquel texto explicaba cómo el audio se convierte en audio traducido. Este trata de de quién es la voz que sale al otro lado.

El estándar que todos ofrecen, y por qué suena plano

Si has usado la traducción en vivo en alguna de las grandes plataformas de reuniones, conoces el sonido. Una voz neutra, de ritmo uniforme, lee la traducción. Es la misma voz tanto si quien habla es tu CEO abriendo una asamblea general como si es un compañero soltando un chiste. La tecnología de base es una síntesis de voz a partir de texto con un único modelo de voz fijo, y el supuesto de diseño es que basta con que se entienda.

En una reunión real no basta. La mitad de lo que comunica una reunión es quién lo dice y cómo. Si le quitas la voz, conviertes una conversación en una transcripción que casualmente se pronuncia en voz alta. La gente deja de reaccionar a los demás y se limita a esperar su turno.

Lo que hace InterMIND en su lugar

La traducción funciona como un pipeline en cascada: tres etapas especializadas en secuencia, en lugar de un único modelo que intenta hacerlo todo. Las dos primeras etapas se explican en la entrada sobre los pipelines; el paso de la voz es el que trata esta entrada:

ASR — reconocimiento de voz. Tus palabras se transcriben en tu propio idioma, mientras hablas, con nuestro propio motor: el servidor multimedia que transporta la llamada (Mind API, OVH Francia), de modo que la traducción pueda empezar antes de que termine la frase.
MT — traducción. La transcripción se agrupa en fragmentos de frase estables, las cláusulas, para que la traducción pueda comenzar antes de que hayas terminado la frase, y cada fragmento se traduce de forma progresiva al idioma de quien escucha.
Zero-shot TTS — síntesis de voz. Cada fragmento traducido se vuelve a pronunciar usando una muestra de tu propia voz y se envía en streaming a quien escucha.

Es esa tercera etapa (ASR → MT → zero-shot TTS) la que produce el efecto. «Zero-shot» significa que el sistema no necesita una grabación de registro previa ni una sesión de entrenamiento con tu voz. Modela tu voz a partir del audio de la reunión en la que ya estás.

El calentamiento: cómo empieza a sonar como tú tan rápido

Hay un problema del huevo y la gallina escondido en «usar una muestra de tu propia voz». Justo al comienzo de una llamada, el sistema todavía no te ha oído lo suficiente como para modelar bien tu voz.

InterMIND lo resuelve con un calentamiento progresivo:

Durante los primeros 5–10 segundos aproximadamente, mientras aún reúne suficiente cantidad de tu voz, cada fragmento traducido se sintetiza con el fragmento de audio que corresponde a lo que acabas de decir en tu idioma de origen. La voz sintetizada se ancla a tu habla real e inmediata.
Cuando hay una muestra lo bastante larga, es decir, al llegar a esa marca de 5–10 segundos, el sistema se fija en ella y la usa para dar voz a todo lo que viene después.

En la práctica no notas que se accione ningún interruptor. La traducción se parece cada vez más a ti a medida que la conversación avanza: no es un doble perfecto de tu voz, pero es claramente la tuya y no la de una máquina, y mejora a medida que el modelo te oye más. La combinación de traducción progresiva (cláusula a cláusula, no frase a frase) y de síntesis progresiva es lo que mantiene todo dentro del presupuesto de latencia sin dejar de sonar humano.

Graba tu voz una vez y sáltate el calentamiento

El calentamiento descrito arriba es lo que ocurre por defecto, sin configurar nada. Desde septiembre de 2026 existe un segundo camino opcional para los usuarios con sesión iniciada: una muestra de voz guardada en Ajustes → Tu voz en la traducción.

Grabarla es un solo gesto. Pulsa Grabar mi voz, espera a que aparezca Habla ahora y di los números del uno al diez en el orden que quieras. Cada número se ilumina en la tarjeta cuando el motor de voz lo oye; cuando los diez están iluminados, la muestra se comprueba y se guarda automáticamente. No hay nada que reproducir ni que confirmar, y tampoco cuenta atrás: la tarjeta conserva el tramo de tu toma que contiene los números. Una sala tranquila y unos auriculares con micrófono dan el mejor resultado.

Qué cambia la muestra guardada: a partir de tu siguiente reunión, el sintetizador da voz a tu traducción con ella desde el primer fragmento, de modo que la otra parte te oye como tú desde la primera frase y no después del calentamiento. Por debajo es la misma síntesis zero-shot con un mejor punto de partida; el calentamiento en vivo sigue refinando la voz a medida que avanza la llamada.

La toma se valida antes de guardarse. Tiene que ser de 3 a 10 segundos de voz clara (la ventana de entrada del sintetizador): si es demasiado baja, está saturada, es en su mayor parte silencio o queda tapada por el ruido de fondo, la tarjeta te dice qué corregir y te pide otra toma. Se eligieron los números como frase por una razón práctica: son cortos, se reconocen en cada uno de los 23 idiomas y el motor puede confirmar que ha oído los diez, lo que convierte el «¿ha funcionado la grabación?» en un sí visible.

Dos muestras de voz, dos ciclos de vida

Esta es la parte por la que un equipo de seguridad o jurídico pregunta de inmediato, así que aquí va con claridad. Hay dos muestras distintas y cada una vive de forma diferente.

La muestra en vivo que se usa para el calentamiento durante la reunión es efímera. Existe solo durante la sesión de la conferencia en directo, al servicio de dar voz a la traducción, y no se almacena en ningún sitio. Mind API y el SDK que sustentan la sesión en tiempo real no conservan ningún dato; todo lo temporal desaparece cuando termina la sesión de la conferencia.

La muestra guardada desde Ajustes se almacena en tu cuenta, con un único propósito: se envía al motor de traducción cada vez que te unes a una reunión para que tu voz traducida pueda sintetizarse con ella, y para nada más. Permanece hasta que pulses Eliminar en la tarjeta, lo que te devuelve de inmediato al calentamiento estándar, y se borra junto con tu cuenta. Los invitados no pueden grabar una; es una función para usuarios con sesión iniciada por diseño.

Conviene ser precisos sobre lo que ninguna de las dos muestras es: no son una de las funciones de grabación de InterMIND. Grabar el vídeo y el audio de una reunión es una acción distinta y deliberada que realizas a propósito, con sus propios controles. Una muestra de voz es una entrada del sintetizador de voz: transitoria en el caso de la muestra en vivo, y tuya para conservarla o eliminarla en el de la guardada.

Por qué nadie más lo ofrece

No es que la clonación de voz sea un secreto. Es que hacerla en vivo, por participante, en ambas direcciones, al ritmo de una conversación, en 23 idiomas y sin almacenar nada que no hayas pedido es un problema distinto de clonar una voz sin conexión para un pódcast.

Las grandes plataformas optimizan su traducción para la cobertura de subtítulos y una única voz de narrador segura: ese es el valor por defecto barato y robusto a gran escala. Conservar la voz propia de cada hablante implica que la etapa de síntesis tiene que seguir a cada participante de forma independiente y mantenerse dentro del mismo presupuesto de latencia en el que se mueve el resto del pipeline. Construimos el motor de voz nosotros mismos, sobre nuestra propia infraestructura, y eso es lo que hace que ese equilibrio sea decisión nuestra. (Más sobre por qué el motor es código propio: De qué está hecha una reunión de InterMIND.)

Hacia dónde vamos: sincronización labial

Conservar tu voz es una mitad de un objetivo mayor. La otra mitad es tu rostro.

Ahora mismo oyes a la otra persona con su propia voz, pero si está en cámara, sus labios siguen moviéndose al ritmo de las palabras que realmente dijo, en un idioma que no lees. El siguiente paso es la sincronización labial: reajustar el movimiento de la boca del hablante al audio traducido, de modo que en tu pantalla parezca que habla tu idioma.

Junta ambas cosas y el sentido de todo este trabajo se vuelve evidente. Dos personas sin ningún idioma en común, frente a frente en una videollamada, se ven y se oyen como si cada una fuera hablante nativa del idioma de la otra: la misma voz, el mismo rostro, sin intérprete de por medio y sin un robot leyendo un guion.

Para ser claros sobre el estado actual: la voz está disponible hoy; la sincronización labial está en la hoja de ruta, no se ha lanzado. Mencionamos el destino porque es la razón por la que importa el trabajo con la voz: la traducción con tu propia voz no es la función en sí, es la primera mitad de «habla con cualquiera, en cualquier idioma, siendo tú mismo».

Dónde escucharlo

La traducción con tu propia voz está disponible hoy, en los 23 idiomas de voz, los mismos que figuran en la documentación. No hay que activar nada por separado: cuando la traducción está habilitada en una reunión, los participantes se oyen automáticamente con su propia voz. Seremos sinceros sobre en qué punto está: hoy la voz ya es reconocible como tuya, y el parecido es algo que estamos empeñados en acercar cada vez más. Ve a escucharlo y juzga por ti mismo.

Prueba la demo: ejecuta el pipeline de voz en vivo con tu audio en cualquiera de los 23 idiomas.
Consulta las cifras de calidad: el mismo pipeline de producción, evaluado cada mes con FLORES-200, con la distribución completa publicada por par de idiomas.
Graba tu muestra de voz: con la sesión iniciada, una toma de los números del uno al diez, y suenas como tú desde la primera frase.
Cómo funciona, en la documentación: la versión corta de esta entrada.
Velo junto a los subtítulos y una transcripción en la que se puede buscar: cómo se comportan las tres piezas juntas en una misma reunión.