Bandas sonoras con IA: guía práctica para vídeo profesional

Por qué el audio decide si tu vídeo con IA se siente profesional

La mayoría de las personas que empiezan a producir vídeo con inteligencia artificial dedican casi todo su tiempo a la imagen: eligen el modelo, ajustan el prompt, regeneran planos hasta que la mano deja de tener seis dedos, corrigen el movimiento de cámara. El audio queda para el final, casi como un trámite. Y suele ser exactamente ahí donde el proyecto se cae.

El motivo es sencillo: el ojo es tolerante y el oído no. Un plano con una textura ligeramente plástica, una iluminación algo irreal o un fondo que no termina de encajar pasan desapercibidos si la historia funciona. En cambio, una música que entra un segundo tarde, un efecto de sonido que suena a archivo descargado, un silencio incómodo entre dos frases o un narrador sintético con un ritmo antinatural rompen la ilusión de inmediato. El espectador puede no saber por qué, pero siente que algo está mal.

El audio no es un adorno que se añade al montaje: es la capa que construye el género, la época y el registro emocional. Una misma secuencia de planos puede leerse como comedia, thriller o documental institucional solo cambiando la banda sonora. Por eso, cuando trabajas con vídeo generado, conviene invertir la lógica habitual y planificar el sonido con la misma antelación que el storyboard.

Esta guía propone un flujo de trabajo completo para crear bandas sonoras con herramientas generativas: cómo se organiza el audio en capas, en qué orden conviene trabajar, cómo se escriben prompts musicales que realmente producen algo utilizable, cómo se sincroniza la música con el montaje, cómo se maneja la voz sintética y cómo se entrega una mezcla que suene bien en móvil, en televisor y en auriculares.

Anatomía de una banda sonora generada: las cuatro capas

Antes de generar nada, conviene entender que una banda sonora no es una pista de música. Es un sistema de capas que compiten por el mismo espacio frecuencial. Si trabajas cada capa por separado y las unes al final con criterio, el resultado mejora muchísimo; si generas "música y ya", el vídeo sonará a plantilla.

Capa 1 — Diálogo y voz

Aquí viven la narración, las entrevistas, el diálogo entre personajes y cualquier voz en off. Es la capa prioritaria: todo lo demás debe ceder espacio cuando hay voz. Si tu vídeo tiene narración, la música existe para sostenerla, no para competir con ella. Esto implica decisiones técnicas concretas: recortar la banda de 1 a 4 kHz en la música donde se sitúa la inteligibilidad de la voz, reducir entre 3 y 6 dB el nivel musical durante los pasajes hablados y evitar instrumentos con ataques muy marcados justo debajo del texto.

Capa 2 — Música

La música marca el pulso emocional y, muy a menudo, el ritmo del montaje. En proyectos generados con IA, la música tiene una función añadida: esconde las costuras. Las transiciones imperfectas entre planos, los cambios de coherencia de personaje y los cortes bruscos se disimulan mucho mejor cuando hay un colchón sonoro continuo que cuando todo está en silencio.

Capa 3 — Efectos y foley

Los efectos puntuales (una puerta, pasos, el clic de un interruptor, el impacto de un texto que aparece en pantalla) son los que dan peso físico a la imagen. Sin ellos, el vídeo flota. Esta es la capa que casi todo el mundo olvida y la que más diferencia genera entre una pieza amateur y una profesional.

Capa 4 — Ambiente y aire

El ambiente es el ruido de fondo continuo: una sala, una calle, un bosque, un zumbido de oficina. Su volumen es bajísimo, pero su ausencia se nota como un vacío irreal. En vídeos generados, donde a veces no existe audio original, la capa de ambiente es lo que hace que el espectador crea que el espacio existe.

La mezcla como capa invisible

Por encima de las cuatro anteriores está el trabajo de mezcla: niveles, panoramas, compresión, ecualización, automatización. Es la capa que nadie ve y que decide si todo lo anterior se percibe como una unidad. Dedica tiempo real a esta fase; en muchos proyectos, una mezcla cuidadosa de materiales mediocres gana a una mala mezcla de materiales excelentes.

Preparar el proyecto: orden de operaciones antes de generar audio

Generar audio sin preparación es la forma más rápida de acumular versiones inservibles. Antes de tocar cualquier herramienta, ordena el proyecto en papel.

1. Cierra el guion y el montaje. La música se escribe contra una estructura, y si el montaje cambia cada diez minutos, cualquier banda sonora que generes quedará desalineada. Bloquea la timeline, aunque sea de forma provisional.

2. Crea una hoja de puntos de sincronización. Anota los timecodes de los momentos clave: aparición del logo, primer plano del protagonista, giro de la historia, llamada a la acción, cierre. Marca entre cinco y quince puntos en una pieza de dos minutos. Esta lista será tu mapa.

3. Define un mapa tonal. Escribe en una frase qué emoción debe tener cada tramo: expectación, calma, urgencia, melancolía, resolución. Un vídeo no tiene una emoción, tiene una secuencia de emociones, y la banda sonora debe reflejar esos cambios.

4. Elige una referencia. Escoge una pista existente que se parezca a lo que quieres y úsala como brújula estilística. No se trata de copiarla, sino de poder describir con palabras concretas qué tiene: instrumentación, densidad, tempo, tipo de producción.

5. Decide el presupuesto de tiempo. Un vídeo corto bien sonorizado puede llevar entre dos y cuatro horas de trabajo real entre generación, selección, sincronización y mezcla. Si planificas treinta minutos, el resultado se notará.

Cómo escribir prompts musicales que suenan a algo

El error más común al generar música con IA es escribir una emoción y esperar magia: "música épica", "algo triste", "estilo cinematográfico". Estos prompts devuelven resultados genéricos porque la emoción es el resultado, no la instrucción. Lo que necesitas es describir los ingredientes que producen esa emoción.

Los siete componentes de un buen prompt musical

1. Género y subgénero: no "electrónica", sino "electrónica ambiental con influencias de synth-pop de los ochenta".
2. Tempo: valores en BPM. Un rango concreto, como 92-96 BPM, funciona mejor que "ritmo medio".
3. Tonalidad y modo: mayor para resolución, menor para tensión, dórico para una melancolía que no se derrumba.
4. Instrumentación: qué suena en primer plano y qué sostiene por detrás. "Piano preparado con colchón de cuerdas y un pulso de bajo sordo".
5. Textura de producción: limpia y brillante, saturada y analógica, con reverberación amplia, seca y cercana.
6. Estructura y dinámica: introducción de cuatro compases, entrada del tema a los dieciocho segundos, clímax contenido, cierre en fade.
7. Exclusiones: lo que no quieres. "Sin voces, sin batería marcada, sin campanas brillantes". Las exclusiones son tan importantes como las inclusiones.

Ejemplo comparado

Prompt débil: "música inspiradora para vídeo corporativo". El resultado suele ser una pista de librería sin personalidad, con piano y cuerdas previsibles.

Prompt fuerte: "pista instrumental de 60 segundos, 100 BPM, do mayor con paso a relativo menor, piano de cola con pedal, colchón de cuerdas cálido, pulsación de bajo redonda y constante, percusión muy discreta de shaker, producción limpia con reverberación media, dinámica creciente desde los 25 segundos, sin voces, sin sintetizadores agresivos, sin sección de metales". El segundo prompt no garantiza una obra maestra, pero produce algo que puedes usar, editar y sincronizar.

Prompts por bloques de tiempo

En lugar de generar una pista y cortarla, genera bloques coherentes: una introducción de diez segundos, un cuerpo de cuarenta, un clímax de quince y un cierre de cinco. Si cada bloque comparte tempo, tonalidad e instrumentación, podrás empalmarlos sin costuras y adaptarlos a cambios de montaje sin regenerar todo.

Sincronización y montaje: alinear música, voz y efectos

La sincronización es donde una banda sonora generada deja de ser música de fondo y se convierte en parte del montaje.

Empieza por el tempo. Si tu pista está a 100 BPM, cada negra dura 0,6 segundos y cada compás de cuatro tiempos, 2,4 segundos. Calcula esos valores y coloca los cortes importantes sobre los tiempos fuertes. No hace falta que todo caiga en el beat: basta con que los momentos clave sí.

Trabaja con puntos de impacto. Un impacto sonoro justo en el instante en que aparece un texto o en el que el protagonista gira la cabeza vale más que veinte segundos de música correcta. Dosifica: si hay un impacto cada dos segundos, ninguno destaca.

Deja aire. El silencio es una decisión de montaje. Retirar la música durante tres segundos antes de una revelación aumenta su efecto más que cualquier crescendo. Los vídeos generados con frecuencia sufren de exceso de sonido continuo; el contraste es lo que crea ritmo.

Ajusta con margen de uno a tres fotogramas. La percepción humana tolera que el sonido llegue ligeramente antes que la imagen, pero no después. Cuando dudes, adelanta el efecto uno o dos fotogramas.

Automatiza la música bajo la voz. En lugar de bajar el volumen de toda la pista, automatiza tramos: entra al 100 % en los pasajes sin narración, baja al 40-55 % cuando alguien habla. Así la música respira en lugar de desaparecer.

Planifica las versiones cortas. Si vas a publicar la misma pieza en formato horizontal y vertical, construye primero la versión larga y después deriva las cortas manteniendo los puntos de sincronización más importantes. Regenerar audio para cada formato produce piezas incoherentes entre sí.

Voz sintética, doblaje y narración: decisiones prácticas

La voz generada ha mejorado mucho, pero sigue teniendo límites claros. Elegirla o no depende del proyecto y del grado de intimidad que necesites.

Cuándo funciona bien: vídeos explicativos, tutoriales de producto, contenidos de datos, traducciones y doblajes, piezas donde la voz es informativa y no interpretativa. En estos casos la consistencia y la claridad pesan más que el matiz emocional.

Cuándo conviene una voz humana: narración en primera persona, humor, testimonios, publicidad emocional y cualquier contenido donde la credibilidad se sostenga sobre la personalidad de quien habla. Una voz sintética recitando una confesión personal suena falsa por muy buena que sea la síntesis.

En el trabajo técnico diario, algunas prácticas mejoran mucho el resultado:

• Fragmenta el guion por frases, no por párrafos. Generar línea a línea te permite corregir una entonación sin rehacer todo.
• Escribe para el oído. Frases cortas, sin subordinadas largas, con respiraciones donde las haría una persona. Si te quedas sin aire al leerlo en voz alta, el sintetizador también.
• Controla la velocidad. Bajar un 5 % la velocidad suele mejorar la inteligibilidad sin sonar artificial.
• Usa grafías fonéticas para nombres propios, siglas y palabras extranjeras que el motor pronuncia mal.
• Recorta silencios y respiraciones con cuidado: eliminar todo el aire deja una voz robótica; dejar respiraciones naturales aporta humanidad.
• Unifica el tono de sala. Si mezclas voz sintética con voz grabada, aplica reverberación corta al material seco para que ambas parezcan estar en el mismo espacio.
• Iguala la sonoridad. Trabaja con medidores de sonoridad integrada: para web, un objetivo habitual es -16 LUFS; para plataformas con normalización más agresiva, -14 LUFS, siempre con picos reales por debajo de -1 dBTP.

Herramientas y cadenas de trabajo recomendadas

No existe una herramienta que haga todo bien. Lo que funciona es una cadena corta y bien entendida.

Generación musical. Los motores de texto a música te dan material en bruto; tu trabajo empieza después. Genera siempre al menos cuatro variantes por bloque y elige por función, no por gusto: ¿sostiene la narración? ¿deja espacio a los efectos? ¿cambia cuando debe cambiar?

Separación de pistas. Las utilidades de separación por stems permiten aislar voces, batería, bajo y armonía. Son útiles para retirar un elemento que estorba, pero introducen artefactos; úsalas con moderación y revisa la fase.

Restauración y limpieza. Herramientas de reducción de ruido y de-reverberación sirven para rescatar audio de campo, no para procesar música completa, donde suelen comerse los agudos.

Edición y mezcla. Un editor multipista ligero es suficiente para empezar: cualquier DAW económico, la pestaña de audio de un editor de vídeo profesional o incluso herramientas libres. Lo importante es poder automatizar volúmenes, aplicar ecualización por banda y medir sonoridad.

Medición. Un medidor de LUFS y de picos reales es imprescindible. Sin medición, estás mezclando a ciegas y tu vídeo sonará distinto en cada dispositivo.

Bibliotecas de efectos. Los efectos generados suenan a veces difusos. Una biblioteca pequeña y bien organizada de foley y ambientes, combinada con efectos sintetizados, da resultados más nítidos.

Errores frecuentes que arruinan una mezcla generada

1. Música que no coincide con el corte. Se soluciona planificando los cambios musicales según el mapa tonal, no según cuándo termina la pista.
2. Volumen demasiado alto de la música. Si no puedes oír la voz con comodidad a bajo volumen en el móvil, la música está alta.
3. Ausencia total de ambiente. El vídeo suena a estudio aséptico. Añade una capa de fondo a -30 dB o menos.
4. Efectos sin contexto. Un impacto sin un ambiente que lo envuelva suena a efecto añadido.
5. Todo el vídeo con la misma intensidad. Sin valles no hay picos. Planifica al menos dos momentos de retirada.
6. Saturación en la suma. Muchos elementos a volumen medio saturan la mezcla final. Deja margen y controla el bus principal.
7. Ignorar la escucha en mono. Un porcentaje importante del público escucha en un altavoz pequeño. Si tu mezcla depende de la estereofonía, se perderá.
8. Dependencia de una sola generación. El primer resultado rara vez es el mejor; compara variantes antes de decidir.
9. Voz sintética sin edición. El texto generado casi nunca llega listo: hay que ajustar pausas, énfasis y nivel.
10. No escuchar en dispositivos reales. Auriculares de estudio, altavoz de móvil y altavoz de portátil revelan problemas distintos.

Control de calidad y entrega: checklist técnico

Antes de exportar, recorre esta lista. Ahorra revisiones y evita reenvíos.

• Sonoridad integrada medida y coherente en toda la pieza, sin saltos perceptibles entre bloques.
• Picos reales por debajo del límite de la plataforma, sin clipping en el bus principal.
• Comprobación en mono y en estéreo.
• Sincronización revisada fotograma a fotograma en los puntos de impacto.
• Limpieza de principio y fin: sin clics, sin cortes secos, con un breve fade de entrada y salida.
• Pistas separadas guardadas (voz, música, efectos, ambiente) por si el cliente pide cambios.
• Nombres de archivo consistentes con versiones y duración.
• Subtítulos o transcripción sincronizada si el vídeo lleva voz.
• Revisión final en tres contextos: auriculares, altavoz de móvil y altavoz de ordenador.

Preguntas frecuentes

¿Puedo usar música generada por IA en proyectos comerciales? Depende de la licencia del motor que utilices y de la legislación de tu país. Revisa las condiciones de uso, guarda registro de la generación y, si el proyecto es grande, consulta antes con asesoría legal.

¿Cuántas variantes debería generar por bloque? Entre cuatro y seis. Es más rápido descartar variantes que intentar arreglar una pista que no encaja.

¿Es mejor una sola pista larga o varios bloques? Para vídeos cortos, una pista con estructura clara funciona bien. Para vídeos de más de noventa segundos o con cambios de emoción, los bloques dan mucha más flexibilidad.

¿Cómo evito que la música suene genérica? Añadiendo especificidad: tempo numérico, instrumentación concreta, textura de producción y exclusiones. La emoción sola no basta.

¿Qué hago si la voz sintética suena plana? Fragmenta por frases, varía ligeramente la velocidad entre líneas, añade pequeñas pausas y edita el nivel de las palabras clave. La monotonía casi siempre es un problema de edición, no del motor.

¿Necesito saber mezclar? No a nivel profesional, pero sí entender niveles, ecualización básica, automatización y medición de sonoridad. Son cuatro habilidades que se aprenden en una tarde y mejoran cualquier proyecto.

¿El audio de los vídeos generados puede mejorarse en postproducción? Sí, y bastante: limpieza de ruido, ecualización, compresión suave y un buen ambiente pueden convertir una pista mediocre en algo creíble. Lo que no se arregla en postproducción es un diseño sonoro mal planificado.

¿Cuánto tiempo debería reservar para el audio? Como regla general, entre el 20 % y el 30 % del tiempo total de producción. Es una proporción incómoda de asumir al principio y la que más se nota en el resultado final.