← Volver al blog
Aiaprox. 7 min de lectura

El sonido es la última parte hecha a mano de un vídeo con IA

Publicado 8 nov 2026
El sonido es la última parte hecha a mano de un vídeo con IA

Los modelos de vídeo ya generan audio. Veo sale con sonido, Seedance sale con sonido, MiniMax H3 genera imagen y audio estéreo en la misma pasada, Gemini Omni escribe audio sincronizado junto a los fotogramas. La era del vídeo mudo terminó en algún punto de los últimos doce meses y nadie quiere volver.

Entonces por qué todo vídeo terminado hecho con IA sigue sonando a montaje manual?

Porque lo es. El audio generado llega como una base: ambiente, quizá una música, algo que se parece a un diálogo si lo pides. Lo que necesita una pieza terminada es sonido diseñado. La puerta que se cierra en el segundo cuatro. El roce de la tela cuando el personaje gira. El clic hueco y concreto de un pestillo de plástico en lugar de uno de metal. Esa capa todavía se compra en una librería, se graba en una sala tratada o se saca de un pack que alguien licenció en 2019.

Sound Effects v3 de ElevenLabs llegó esta semana a fal, y el detalle que importa está en la forma del endpoint, no en el número de versión.

Qué expone el endpoint

Texto de entrada, efecto de sonido de salida, hasta 30 segundos, generado con conciencia del contexto descrito. Acceso programático por la API de fal en lugar de una interfaz web. Y soporte nativo de loop sin costura, pensado de forma explícita para camas de ambiente y audio de videojuegos.

Un micrófono de estudio frente a un panel acústico, con una forma de onda abierta en la pantalla de al lado.

Tres de esas cosas son normales. La cuarta no.

El loop sin costura es una restricción técnica que casi todo el audio generativo maneja mal. Un loop tiene que terminar donde empezó, en fase, sin un clic en la unión y sin un crescendo audible donde el modelo intentó resolver. Quien haya montado un nivel de juego o una pista de ambiente de diez minutos conoce la señal: un punto de loop que respira una vez cada veinte segundos.

Pedirle a un modelo de texto a audio que produzca un loop es pedirle que cumpla una restricción que no tiene nada que ver con sonar bien en aislado. Que aparezca como capacidad nativa, y no como algo que arreglas en post, es la parte sustancial de este lanzamiento.

Los 30 segundos son la otra restricción que vale la pena anotar. Deja fuera escenas completas y banda sonora. No deja fuera lo que de verdad llena una línea de tiempo: lluvia sobre el techo de un coche, el zumbido de una sala de servidores, el murmullo de un mercado, pasos sobre grava, el retumbe bajo de la climatización de un edificio. 30 segundos de una cama en loop alcanzan para un minuto de metraje si haces cross-fade, y para una hora si el loop es limpio.

Por qué corre en un agregador

fal es una plataforma de inferencia que pone unos cientos de modelos de imagen, vídeo, audio y 3D detrás de una sola API, con clientes como Adobe, Canva y Shopify. Sumar el endpoint de efectos de sonido de ElevenLabs a ese catálogo es una noticia de producto pequeña con una implicación estructural grande: el audio ya es un ciudadano de primera en el mismo pipeline que la imagen.

Eso importa por cómo se descompone de verdad la producción de vídeo con IA. Un flujo moderno es una cadena de llamadas separadas: guion, keyframes, animación, escalado, voz, música, efectos, mezcla. Cada paso vivía antes en una herramienta distinta con una relación de facturación distinta. Cuando el endpoint de efectos está al lado del endpoint de vídeo, la cadena se vuelve un solo programa, y un solo programa se puede versionar, volver a ejecutar y presupuestar.

El lado del coste es el argumento silencioso. El diseño de sonido es uno de los pocos rubros que quedan en una producción pequeña donde una hora humana es de verdad irreemplazable, porque la decisión de cómo suena esta sala no tiene respuesta correcta. Un endpoint generativo no elimina esa decisión. Elimina el paso de compra entre la decisión y el recurso.

Dónde sigue fallando el sonido generado

Hay tres modos de fallo para los que conviene planificar.

El primero es la especificidad. "Una puerta que se cierra" produce una puerta genérica. El oficio del foley está en elegir la puerta: su peso, el tipo de pestillo, si el marco es metálico o de madera. El prompt puede cargar con algo de eso, pero el valor por defecto del modelo es el promedio de todo lo que ha oído, y la puerta promedio es una puerta que nadie nota, lo cual a veces es exactamente lo correcto y a veces es la razón de que una escena se sienta barata.

El segundo es el apilado. Las escenas reales son pilas: un ambiente base, una capa media de actividad, efectos puntuales encima, todo bajando por debajo del diálogo. Una sola generación te da un stem. Juntar cinco sonidos generados en una mezcla creíble es un problema de mezcla, no de generación, y sigue haciendo falta alguien que oiga la diferencia.

El tercero es la sincronía. El sonido que se genera aparte de la imagen tiene que colocarse contra la imagen. Colocar con precisión de fotograma es una operación de línea de tiempo, y ningún prompt de texto acierta de forma fiable en el fotograma en que el pie aterriza. Por eso el trabajo interesante está pasando en modelos que emiten audio y vídeo en una sola pasada, y por eso la separación en five stems que algunos ya ofrecen es más grande de lo que parece: una pasada da la sincronización, la separación da la capacidad de reequilibrar después.

Tres preguntas para cualquier efecto generado

Hace loop sin delatarse. Cárgalo dos veces seguidas y escucha en la unión. Si oyes una respiración, el recurso es un clip y no una cama, y va debajo de una escena, no debajo de un nivel.

Aguanta el apilado. Un sonido que impresiona solo suele desaparecer bajo una mezcla o, peor, pelea con el diálogo. Pide el efecto a un nivel más bajo del que vas a usar y mira si el carácter sobrevive.

Se queda en la sala correcta. La reverberación es contexto, y el contexto es la parte que un prompt describe mal. Dos efectos con contenido idéntico se sienten mal en espacios distintos, y el arreglo suele ser una pasada aparte y no un prompt mejor.

Nada de eso es una prueba difícil. Son las pruebas que un diseñador de sonido hace en diez segundos, y son la razón de que el oficio exista. El valor de un endpoint así es que te deja hacerlas sobre veinte candidatos en lugar de tres.

La consecuencia práctica

Para un creador que trabaja solo, esto cambia el coste de una primera pasada. Ahora puedes iterar el sonido de una escena en el mismo bucle que la imagen, lo que significa que las dos cosas se diseñan juntas en vez de llegar el sonido al final como paso de acabado. Es una mejora de flujo de trabajo, y las mejoras de flujo se acumulan.

Para un estudio, el valor está en la cola larga. Una librería cubre los sonidos que planeaste. No cubre el sonido que el montaje exigió a las 23:00, que es justo el caso que un prompt de texto resuelve bien.

Para quien construye herramientas, que el endpoint esté en un agregador es la señal. El audio ya no es una compra aparte. Es un parámetro en la misma cadena de peticiones que el render, y los productos que lo traten como un paso separado se van a sentir lentos en un trimestre.

El resumen honesto: esto no reemplaza a un diseñador de sonido, y el lanzamiento no dice que lo haga. Reemplaza el momento en que el día de un diseñador de sonido se va en buscar en una librería algo lo bastante parecido. Ese momento es más grande de lo que suena, y es el que todo el mundo en post odia.

Artículos relacionados