Voz · Probado
Locución con Eleven v4 para un vídeo de producto: qué cabe en 15 segundos
Una locución convierte una sucesión de fotos de producto en un pequeño anuncio. Lo difícil no es la voz. Es el tiempo: un vídeo de 15 segundos con tres planos da a cada frase unos cinco segundos, y una oración que parece corta en el papel puede tardar siete segundos en decirse.
ElevenLabs lanzó Eleven v4 el 28 de septiembre de 2026, y el agente de Ciyo ya lo usa para la narración. El 29 de septiembre de 2026 hicimos un vídeo de lanzamiento de 15 segundos para Low Tide, una taza de Tidewell, un taller de cerámica ficticio, y medimos dónde caía cada palabra. La voz era clara. Los tiempos necesitaron dos rondas.
Qué es Eleven v4
Eleven v4 es el modelo más reciente de texto a voz de ElevenLabs, lanzado junto con Eleven v4 Turbo, más rápido, para agentes en tiempo real. ElevenLabs dice que los dos admiten más de 90 idiomas y que puedes dirigir la interpretación con etiquetas en línea. En Ciyo, la herramienta de narración del agente usa Eleven v4 con una lista fija de diez voces; Sarah, una voz femenina cálida y tranquila, es la predeterminada.
En Ciyo, la narración no es un archivo aparte en tu tablero. El agente escribe el guion por capítulos, genera un clip por capítulo y los mezcla en un vídeo terminado que guarda en el tablero.
Publicado el 2026-09-28. La publicación de lanzamiento de ElevenLabs presenta Eleven v4 y Eleven v4 Turbo como sus “fastest and most emotive voice models yet” (sus modelos de voz más rápidos y expresivos hasta ahora) y dice que ocupan el primer puesto en Artificial Analysis. No comprobamos esa clasificación; nuestra prueba de abajo trata de ajustar los tiempos de una locución para un vídeo de producto corto.
Empieza con fotos que encajen
Pedimos tres fotos 9:16 de la misma taza: sola en una estantería, levantada con café y tres en fila. El agente creó la primera foto y después la usó como referencia para las otras dos, para que el esmalte y la forma se mantuvieran iguales. Las tres costaron 8 créditos.
Llevo Tidewell, un pequeño taller de cerámica. El sábado lanzamos una taza nueva llamada Low Tide. Crea tres fotos de producto 9:16 de la taza para un vídeo vertical corto: 1) la taza sola en una estantería de madera de deriva junto a una ventana, esmalte verde vidrio de mar sobre arcilla crema moteada, luz suave de mañana; 2) una mano levantando la misma taza llena de café; 3) tres tazas iguales en fila en la estantería. Mantén la taza idéntica en las tres. Colores naturales, sin texto, sin logos.Escribe el guion por capítulos
Dimos al agente los capítulos, la voz y las palabras exactas. Generó un clip de narración por capítulo y midió cada uno antes de montar el vídeo. Después nos avisó del problema: “Chapter 1's narration came out at 6.53 s, longer than its 5 s slot.” (la narración del capítulo 1 salió de 6.53 s, más larga que su hueco de 5 s).
No aceleró la voz ni cortó palabras sin preguntar. Dejó que la primera frase entrara 1.5 segundos en la segunda foto, desplazó las frases siguientes e informó de los tiempos. Los tres clips costaron 1 crédito cada uno.
Las tres fotos encajan. Ahora crea con ellas un vídeo vertical de 15 segundos (1080x1920) con una locución en inglés con la voz Sarah. Capítulos: de 0 a 5 s la foto 1, de 5 a 10 s la foto 2, de 10 a 15 s la foto 3, cada una con un acercamiento lento. Locución, palabra por palabra: "Meet Low Tide. Sea-glass glaze over speckled clay, thrown by hand at Tidewell. It holds your morning coffee and feels like the shore. Low Tide mugs arrive Saturday at tidewell.shop." Sin música. Durante los últimos 3 segundos muestra el texto "Low Tide - Saturday - tidewell.shop". Dime cuánto dura cada clip de narración y cuántos créditos usó el vídeo.Dónde cayó realmente la voz
Medimos el vídeo terminado con ffmpeg. La voz sonaba de 0.26 a 6.49 segundos, de 6.78 a 10.10 y de 10.97 a 14.54. Así que la primera frase habla por encima del corte de los 5 segundos, y la segunda termina justo en el corte de los 10.
Los números dan una regla sencilla. La primera frase tenía 13 palabras y tardó 6.5 segundos con sus pausas, unas 2 palabras por segundo. La segunda tenía 10 palabras en 3.3 segundos, porque no tenía ningún punto en medio; el punto después de “Meet Low Tide.” (te presentamos Low Tide) añadió por sí solo una pausa de 0.44 segundos. Calcula unas 8 a 10 palabras para un plano de 5 segundos, y cuenta cada punto o dos puntos como medio segundo, más o menos.
Arregla un capítulo, no todo el guion
Acortamos la primera frase y pedimos al agente que rehiciera solo ese clip. Incluso la frase más corta salió algo larga, así que el agente recortó la pausa después de “Meet Low Tide:” y aceleró el clip un 3%, hasta 4.62 segundos. Eso costó 1 crédito, y los otros dos clips se reutilizaron.
En la segunda versión cada frase queda dentro de su propia foto: de 0.33 a 4.86 segundos, de 5.38 a 8.70 y de 10.37 a 13.94. El volumen es de −16.5 LUFS con picos de −1.3 dB, cerca de los −16 LUFS que busca la receta de vídeo del agente.
Dos arreglos, por favor. 1) Mantén cada frase dentro de su propia foto. Sustituye solo el clip 1 por esta frase más corta y rehaz solo ese clip: "Meet Low Tide: sea-glass glaze, thrown by hand at Tidewell." Reutiliza los clips 2 y 3 tal como están, y empieza cada clip unos 0.3 s después de que aparezca su foto. 2) El texto final es pequeño y está arriba, donde lo tapa la cabecera de Instagram. Hazlo grande y centrado a un 60% de la altura del encuadre, en dos líneas: "Low Tide mugs" y "Saturday - tidewell.shop", con una franja oscura suave detrás. Mantén el vídeo exactamente en 15 s y dime la duración del nuevo clip y los créditos usados.Revisa la pantalla final en un encuadre de móvil
El primer texto final era una pequeña franja gris cerca de arriba, entre los píxeles 220 y 325 de 1,920, más o menos, donde la cabecera de la app puede taparlo. Nuestro arreglo lo hizo grande y lo centró al 60% de la altura, lo que lo colocó encima de las tres tazas. Una tercera petición lo bajó a la estantería, al 72%, por encima del 20% inferior donde Instagram coloca el pie de la publicación. Ese cambio no costó nada, y el audio se quedó idéntico.
Los tiempos de la voz ya están bien. Un último cambio: al 60%, el texto final queda encima de las tres tazas y tapa el producto. Baja las dos líneas a la estantería de madera, debajo de las tazas, a un 72% de la altura del encuadre, mantenlas fuera del 20% inferior donde Instagram pone el pie de la publicación y haz un poco más intensa la franja oscura detrás del texto. Deja todo lo demás igual y guárdalo como v3.Cuánto costó el vídeo completo
Doce créditos en total: 8 por las fotos, 3 por la primera narración y 1 por el capítulo rehecho. Montar el vídeo a partir de las fotos, y todos los cambios posteriores del texto y los tiempos, no costó nada, porque no se generó ningún vídeo nuevo.
| Comprobación | Versión 1 | Versión 3 (final) |
|---|---|---|
| Duración | 15.000 s | 15.000 s |
| Cada frase dentro de su foto | No (la primera frase llega hasta 6.49 s) | Sí |
| Volumen | −16.6 LUFS | −16.5 LUFS |
| Texto final | Pequeño, arriba | Grande, en la estantería, por encima de la zona del pie |
| Créditos | 11 (8 fotos + 3 narración) | 12 en total |
Locuciones con Eleven v4
¿Qué es Eleven v4?
El modelo de texto a voz de ElevenLabs lanzado el 28 de septiembre de 2026, con una versión Turbo más rápida. ElevenLabs dice que admite más de 90 idiomas y etiquetas de interpretación en línea.
¿Cuántas palabras caben en un plano de 5 segundos?
En nuestra prueba, la voz Sarah dijo unas 2 palabras por segundo en una frase con pausa y 3 en una frase sin pausa. Calcula unas 8 a 10 palabras para 5 segundos, y cuenta cada punto o dos puntos como medio segundo, más o menos.
¿Puedo elegir la voz en Ciyo?
Sí. Nombra una de las voces de Ciyo en tu petición: Sarah, Alice, Matilda, Jessica, Lily, George, Daniel, Brian, Eric o Will. También puedes escribir en IPA la pronunciación de un nombre difícil.
¿Recibo un archivo de audio aparte?
No. En Ciyo, la narración se mezcla en el vídeo terminado, que el agente guarda en tu tablero.
Crea un vídeo de producto narrado en Ciyo
Da al Ciyo Agent tus fotos, tus capítulos y las palabras exactas, y revisa los tiempos antes de publicar.