Un avatar parlante: cómo hacer que una cara hable

Un avatar parlante es cuando un retrato estático (el tuyo, dibujado o de stock) empieza a pronunciar un texto dado: los labios están sincronizados con las palabras, la cara vive, la cabeza se guía por una expresión natural. Sobre esto se construyen avatares presentadores, vídeos formativos, presentaciones y contenido para redes — sin rodaje y sin cámara.

Cómo se arma

Por debajo hay dos tecnologías juntas:

1. La voz. El texto se convierte en voz — por síntesis o clonando tu voz. Es el ámbito de la guía vecina, sobre la síntesis de voz.
2. Los labios y la expresión. La red ajusta el movimiento de los labios y la cara a ese sonido (lip-sync) y añade micromovimientos naturales.

Es decir, un avatar parlante es una combinación de "vídeo + voz". Por eso la calidad depende de ambas partes: una buena imagen con una mala voz (o al revés) delata al instante lo sintético.

Sube un retrato, escribe la frase — y obtén un clip donde la cara la pronuncia. El vídeo cuesta más que las imágenes: el primer avatar está disponible tras registrarte y el onboarding — que conceden tokens iniciales.

Para que resulte convincente

• Un retrato nítido de frente. La cara grande, mirando a la cámara, sin un giro fuerte — así el lip-sync encaja con más precisión.
• Frases cortas. Cuanto más largo el monólogo, más se acumula la "falta de vida". Córtalo en frases.
• Texto natural. Escribe como se habla, no como se escribe en los documentos — la síntesis suena más viva.
• Ajusta la voz a la cara. Un desajuste en la edad/el género de la voz y el aspecto es lo primero que delata el montaje.

Dónde se aplica

• Avatares presentadores para resúmenes de noticias, reseñas, cursos formativos.
• Presentaciones y onboarding — un narrador "vivo" en lugar de texto en las diapositivas.
• Contenido en varios idiomas — un avatar locuta texto traducido para distintos mercados.
• Personajes y mascotas de marca que hablan.

Importante: consentimiento y honestidad

Un avatar parlante es, en esencia, habla controlada desde la cara de otra persona, y aquí los riesgos de deepfake son máximos. Las orientaciones son simples: la cara y la voz ajenas — solo con consentimiento; no pongas en un avatar palabras que la persona no dijo haciéndolas pasar por una grabación real; para contenido público, marca con honestidad que el presentador es sintético si no es obvio. En muchos países, falsificar las declaraciones de una persona real puede acarrear responsabilidad legal.

Qué sigue

Has cubierto los tres modos básicos — animación, texto a vídeo y el avatar. Ahora tiene sentido entender con qué red neuronal hacer todo esto: los modelos se diferencian mucho.

En el chat de Twelver un avatar se arma en una conversación: subes una foto, escribes la frase — obtienes un clip con habla sincronizada. Los tokens iniciales se conceden tras registrarte y el onboarding.