Cómo clonar tu voz gratis con Fish Audio y usarla desde Claude

La intro del vídeo no la grabé yo: la generó Fish Audio con mi voz clonada. Es una herramienta de voz con IA que combina tres cosas: clona tu voz con pocos segundos de audio, entiende emociones (le puedes decir cómo quieres que suene cada frase) y funciona en 83 idiomas con el mismo modelo.

Lo que más me llamó la atención fue que su modelo nuevo, S2.1 Pro, aparecía con la etiqueta de gratis: con solo crearte una cuenta podías empezar a usarlo.

En la página principal de Fish Audio ya se pueden hacer pruebas: pasar texto a voz, clonar tu voz leyendo un texto y transcribir un audio a texto.

Con la cuenta creada, en la barra de la izquierda está Crear voz. Ahí eliges el método:

• Clonación de voz instantánea: a partir de solo 10 segundos de audio. No tiene tanta calidad como las voces hechas con más grabación, pero es la más rápida.
• Diseño de voz: describes la voz que quieres y la crea a partir de esa descripción. Por ejemplo, una voz masculina de mediana edad para narrar cuentos a tus hijos.
• Clonación de voz profesional: subes entre una y dos horas de tu audio para conseguir calidad de estudio.

La regla es sencilla: cuantos más minutos de tu voz le subas, mejor resultado. La mía la creé con un minuto y medio, más o menos, grabado con el móvil, sin micrófono profesional.

1. Entra en Texto a voz.
2. A la derecha, elige el modelo, que es lo más importante. Yo usé Fish Audio S2.1 Pro. Hay modelos más potentes, pero el gratuito rinde muy bien.
3. Si quieres, ajusta el volumen y la velocidad, y activa la compatibilidad con etiquetas.
4. Elige la voz (la tuya, si ya la has creado).
5. Escribe una frase o un párrafo y pulsa Generar discurso.

En unos segundos te da dos muestras distintas para que elijas. Me sorprendió que, con solo un minuto y medio de mi voz, sonara así de bien. Con una o dos horas de grabación en la clonación profesional, imagino que todavía mejor.

Ir párrafo por párrafo en la web está bien, pero para textos largos es más cómodo el conector de Fish Audio. Un MCP (Model Context Protocol) es un conector que establece una conexión entre dos aplicaciones, en este caso entre Claude y tu cuenta de Fish Audio. No hace falta saber programar ni entender de API. Como Fish Audio no viene entre los conectores de Claude, se añade como conector personalizado. Lo hice en la aplicación de escritorio, pero también se puede en la versión web.

1. En Claude, pulsa +, entra en Conectores y luego en Administrar conectores.
2. Pulsa Agregar, ponle de nombre Fish Audio y pega la URL del servidor MCP remoto: api.fish.audio/mcp.
3. Pulsa Continuar y, más abajo, Agregar.
4. Pulsa Conectar: se abre el navegador para iniciar sesión con tu cuenta de Fish Audio.
5. Pulsa Autorizar. Yo dejé las herramientas en Permitir siempre.

En Claude, con la opción Cowork, hice primero una comprobación: quería ver que el conector funcionaba y que tenía acceso a la biblioteca de voces.

Con Fish Audio coge una voz cualquiera de la biblioteca y dime esta frase usando el modelo S2.1 Pro. Dime también qué voz y qué modelo has usado exactamente.

Encontró cinco voces con sus características (una de ellas, Valentino: español, hombre, mayor y narrador), generó la frase y me dijo qué voz había usado y su identificador.

Para usar mi voz, copié su ID en Fish Audio (en Texto a voz, al pulsar sobre mi voz se copia al portapapeles). En una conversación nueva le pedí a Claude un audio con esa voz, pegando el ID y la frase. En 15 segundos lo tenía, listo para descargar.

Es algo que me gusta muchísimo de Fish Audio. Basta con poner una palabra entre corchetes para cambiar cómo suena: contento, triste, chillando… Repetí el mismo texto con la etiqueta [contento] y en 6 o 7 segundos tenía un audio de unos 9 con un tono claramente distinto. En mis pruebas, incluso los audios bastante largos no tardaron más de entre 30 segundos y un minuto.

Además se pueden poner varias etiquetas a lo largo del texto, y no solo de emoción, también de cómo decir cada frase: más rápido, más lento, más triste. En una prueba de 29 segundos puse al principio que era un presentador cálido, con energía, cercano y animado; a mitad, «un poco más rápido, enumerando»; y más adelante, «cálido, tranquilizando», entre otras.

Con mi voz, las etiquetas se notaban algo, pero no tanto. Mi sospecha es que se debe a que la creé con solo un minuto y medio de audio. Así que le pedí a Claude el mismo texto con otras voces en español de la biblioteca: me propuso diez y generó tres audios. Esas voces, más profesionales, sí respondían muy bien a las emociones.

La ventaja es que la biblioteca de Fish Audio tiene muchísimas voces. Le puedes pedir algo concreto, como una voz en español, femenina y de mediana edad, y te lista todas las opciones.

Para ver hasta dónde llegaba, le pasé a Claude el PDF de una edición de la newsletter que escribía cada semana sobre novedades de IA, y le pedí que la convirtiera en un audio narrado con mi voz clonada y el modelo S2.1 Pro, con estas indicaciones:

• Limpiar el texto: quitar enlaces y pies de página, que si no los lee y meten palabras que no encajan.
• Añadir etiquetas de emoción.
• Añadir una entradilla.
• Partirlo en trozos si es muy largo.
• Guardarlo en una carpeta en mi escritorio.

Encontró mi voz en la cuenta y tardó unos 10 minutos en total, que para una tarea así de larga me parece razonable. Primero hizo un audio de prueba de 4 segundos y después seis audios de entre un minuto y medio y casi dos minutos (el último, de 15 segundos, porque ya no quedaba texto), todos guardados en la carpeta y sin las palabras de los enlaces. Quería comprobar cómo de largos podía hacer los audios el conector, y como le pedí que los cortara, parece que podría ir más allá de los dos minutos.

Por último le pedí que tradujera al inglés los 30 primeros segundos y los generara otra vez con mi voz. Tardó alrededor de un minuto. El resultado mantiene mi voz, y por eso es un inglés con acento español, no perfecto. La prueba se puede repetir con cualquiera de los 83 idiomas, por ejemplo en japonés.

• Fish Audio