Qué es ElevenLabs
ElevenLabs desarrolla modelos y aplicaciones de audio con IA. Su oferta se organiza en ElevenCreative para producción, ElevenAgents para conversación y ElevenAPI para integración. Texto a voz, transcripción y doblaje resuelven problemas diferentes, aunque puedan intervenir en una misma pieza.
Una narración comienza con un guion; una transcripción comienza con una grabación; un agente responde durante una interacción. Esta distinción determina qué hay que aprobar: palabras y pronunciación, fidelidad al original o comportamiento ante preguntas. Para una organización, escoger bien el flujo importa tanto como escoger una voz agradable.
Documentación de referencia: Text to Speech · Series D, February 2026.
Origen y evolución
Piotr Dąbkowski y Mati Staniszewski fundaron la empresa en 2022. En una entrevista explicaron que los doblajes monótonos que escuchaban en Polonia inspiraron el proyecto. La beta pública se anunció en enero de 2023. En 2024 se amplió la oferta con Dubbing Studio y un mercado de voces verificadas.
La expansión continuó hacia música, transcripción y agentes. En febrero de 2026 anunció una ronda de 500 millones de dólares liderada por Sequoia, con valoración de 11.000 millones. En septiembre comunicó una operación de liquidez para empleados con valoración de 22.000 millones. Son operaciones distintas; la segunda no equivale a una salida a bolsa. El recorrido explica por qué las guías iniciales centradas en un generador de voz describen solo una parte de la plataforma actual.
Documentación de referencia: Launch of the public beta, January 2023 · Series B and new products, January 2024 · Series D, February 2026 · Employee tender, September 2026 · Founder interview.
Modelos de voz y dirección de la interpretación
Eleven v4 y v4 Turbo se lanzaron el 28 de septiembre de 2026. v4 admite instrucciones expresivas y diálogo entre hablantes; Turbo se orienta a menor latencia. La familia cubre más de 90 idiomas, entre ellos español, catalán e inglés. Las prestaciones no deben extrapolarse a modelos anteriores.
El guion es también una instrucción de interpretación. Una pausa puede separar dos acciones y un énfasis puede cambiar qué parece prioritario. Conviene probar frases con condiciones, negaciones y enumeraciones. Para narración técnica, un estilo estable suele ser más útil que demostrar toda la variedad emocional disponible. En conversaciones, además de calidad sonora, evalúa si la espera y los turnos permiten terminar una pregunta sin interrupciones.
Documentación de referencia: Eleven v4 and v4 Turbo launch.
Biblioteca de voces y continuidad
Voice Library permite buscar voces por idioma, acento y uso. Algunas incorporan un plazo de preaviso si su propietario deja de compartirlas; otras pueden desaparecer de inmediato. La disponibilidad futura de una voz no se deduce de haberla guardado.
Para una serie de formación, conserva identificador, muestra aprobada y una alternativa. La voz principal debería pronunciar bien el vocabulario de la organización, sin depender de una única frase de demostración. Si cambia la voz entre capítulos, decide si se mantiene el material antiguo o se vuelve a producir la serie. Esa decisión afecta a coherencia y mantenimiento, no solo a preferencias estéticas.
Documentación de referencia: Voice Library.
Clonación instantánea y profesional
Instant Voice Cloning utiliza muestras breves con autorización. Professional Voice Cloning requiere más material, verificación de la propia voz y ajuste específico; la guía excluye el canto. No son dos nombres para el mismo procedimiento.
Antes de crear una voz corporativa, define quién la representa, qué mensajes podrá leer y quién administrará su uso. Una grabación de reunión contiene interrupciones y voces ajenas; una sesión preparada ofrece referencias más controladas. Separa el consentimiento para grabar del acuerdo para generar nuevas frases. Si la persona deja la organización, debe existir una decisión sobre continuidad, retirada y actualización de piezas, evitando que una voz reconocible sugiera una aprobación personal inexistente.
Documentación de referencia: Instant Voice Cloning · Professional Voice Cloning.
Studio, audiolibros y exportación
Studio combina narración y edición en una línea de tiempo. Permite exportar capítulos o proyectos en MP3 y WAV; la calidad depende del plan. En planes inferiores, un WAV puede proceder de audio comprimido, mientras niveles superiores ofrecen fuente de mayor calidad.
La extensión del archivo no basta para evaluar su fidelidad. Organiza una guía extensa por unidades que puedan corregirse sin rehacer todo el contenido: bienvenida, recorrido, comunicación y recursos. Mantén títulos y versiones alineados con el documento escrito. Escucha las uniones después de cambiar un párrafo; dos tomas correctas por separado pueden presentar saltos de volumen o ritmo al quedar juntas. Entrega los capítulos y una versión completa si ambos formatos facilitan el uso previsto.
Documentación de referencia: Studio production and export.
Doblaje y control de la traducción
Dubbing Studio permite revisar transcripción, traducción y tiempos. Además de AAC, MP3 y WAV, exporta pistas, datos de montaje AAF, subtítulos SRT y CSV con hablantes y texto. Esto facilita continuar la revisión o el montaje fuera de la plataforma.
El doblaje plantea dos comprobaciones separadas: significado y sincronización. Una frase traducida puede ser correcta y, aun así, terminar después de que la imagen cambie de objeto. Para un vídeo explicativo, identifica cada acción visible y el fragmento que la describe. Ajusta el texto sin eliminar condiciones importantes. Si se emplean siglas locales, prepara equivalencias por idioma antes de regenerar; no esperes que la identidad de voz resuelva terminología.
Documentación de referencia: Dubbing Studio.
Scribe: transcribir no es certificar
Scribe v2 ofrece transcripción con tiempos y separación de hablantes; existen variantes Realtime y Medical. Admite términos de referencia y opciones como eliminar muletillas o editar el texto transcrito. Español, catalán e inglés figuran entre los idiomas compatibles.
Es importante decidir si se necesita un texto legible o una representación fiel de lo dicho. En una entrevista sobre un incidente, una vacilación puede explicar incertidumbre; eliminarla cambia la lectura del testimonio. Conserva la grabación y distingue transcripción original de versión editada. La etiqueta de hablante separa voces, pero no identifica por sí sola a una persona. Revisa nombres, unidades y palabras negadas contra el audio.
Documentación de referencia: Scribe transcription capabilities.
Música, efectos y limpieza de audio
Eleven Music genera composiciones con instrucciones, letras, referencias y edición por secciones. Music v2.5 llegó en septiembre de 2026. Voice Isolator trata grabaciones existentes para separar voz y ruido; crear un efecto sonoro es una operación distinta de limpiar una captura.
Los derechos musicales dependen del producto y plan: ElevenMusic tiene condiciones propias y no debe confundirse con la suscripción Creative. Las condiciones musicales restringen referencias a artistas y ciertos usos de distribución. Para una pieza educativa, decide primero si la música ayuda. En una explicación donde debe escucharse una señal real, una banda sonora puede ocultar precisamente la información relevante. Conserva una mezcla de voz sola para comparar inteligibilidad.
Documentación de referencia: Music composition and editing · Music v2.5 release · Music usage terms · Voice Isolator.
Agentes conversacionales e integración
ElevenAgents combina voz, instrucciones, bases de conocimiento y herramientas conectadas. Incluye pruebas, simulaciones y registros de conversación; puede integrarse mediante API y SDK. El modelo que genera una respuesta y la voz que la pronuncia son componentes distintos.
Un ejemplo propuesto sería orientar sobre dónde encontrar una guía aprobada. Delimita las fuentes y permite reconocer que una respuesta no está disponible. Prueba preguntas incompletas, interrupciones, cambios de idioma y peticiones fuera de alcance. En SST, una voz convincente no convierte un agente informativo en un servicio de emergencias ni en un decisor sobre aptitud laboral. La derivación a una persona debe formar parte del diseño, no añadirse después del primer fallo.
Documentación de referencia: ElevenAgents.
Flows, imágenes y vídeo
Flows, documentado como Alpha, organiza producción en nodos y permite repetir etapas. Studio se centra en una línea de tiempo. La plataforma también integra modelos visuales externos para imágenes y vídeo, con referencias y opciones que dependen del modelo elegido.
Un flujo puede combinar un guion, narración e imagen ilustrativa. Conviene conservar la relación entre entrada y salida de cada etapa: si cambia la frase sobre un objeto, revisa también el visual correspondiente. Automatizar una secuencia reduce operaciones repetidas, pero amplifica una entrada equivocada cuando se ejecuta muchas veces. Empieza con una pieza y comprueba qué elementos se actualizan antes de crear variantes para toda una campaña.
Documentación de referencia: ElevenCreative Flows · Image and video generation.
ElevenReader y escucha personal
ElevenReader está orientado a escuchar y leer contenido personalmente. Su documentación indica que no permite exportar audio ni distribuir comercialmente lo generado dentro de la aplicación. La producción de archivos se realiza mediante las herramientas correspondientes de la plataforma web.
Esto cambia la elección del producto. Escuchar un documento para prepararse una reunión es distinto de producir un recurso que se entregará a toda una plantilla. Para el segundo caso se necesita un archivo aprobado, derechos adecuados y una versión escrita accesible. No presupongas que una suscripción de escucha concede las funciones o permisos de un estudio de producción.
Documentación de referencia: ElevenReader downloads · ElevenReader commercial use.
Planes, datos y administración
Creative ofrece Free, Starter, Creator, Pro, Scale, Business y Enterprise. La clonación profesional comienza en Creator y la licencia comercial figura desde Starter. La política de privacidad permite excluir el uso de datos personales para entrenamiento desde la configuración; la exclusión actúa hacia el futuro. Los contratos empresariales tienen alcance propio.
Para comparar costes, considera correcciones y versiones, no solo minutos finales. Elabora una prueba con vocabulario representativo y registra cuánto trabajo requiere aprobarla. Antes de cargar grabaciones, elimina nombres o conversaciones que no aporten al proyecto. Una plantilla de voz no necesita incluir expedientes individuales. Revisa permisos de equipo y conservación de muestras junto con las condiciones del producto y la región aplicables.
Documentación de referencia: Current subscription plans · Privacy policy, October 9 2026 · European terms.
Detección y procedencia del audio
Audio Detector busca marcas de ElevenLabs y recurre a un clasificador estadístico cuando no las encuentra. No identifica universalmente audio de otros proveedores. El clasificador puede producir falsos positivos o no reconocer material modificado.
Una detección positiva informa sobre posible procedencia, no sobre veracidad de las palabras. Una negativa tampoco autentica a quien parece hablar. Para una comunicación interna relevante, verifica autoría y aprobación mediante el canal habitual. Conserva el guion firmado editorialmente, la versión generada y el contexto de distribución; esa trazabilidad responde a preguntas que un detector de audio no puede resolver.
Documentación de referencia: Audio Detector.
Recepción y controversias
Engadget documentó suplantaciones en 2023. En enero de 2024, WIRED informó de análisis que atribuían probablemente a ElevenLabs una llamada falsa con voz de Biden. Era una evaluación de expertos, no una sentencia judicial.
Estos episodios muestran por qué una voz familiar no es un mecanismo de autenticación. En formación o comunicación corporativa, identifica la narración sintética y evita presentar frases generadas como declaraciones espontáneas de una persona. Una autorización clara y un canal reconocible ayudan a distinguir una producción legítima de un audio fuera de contexto.
Documentación de referencia: WIRED investigation of Biden robocall, 2024 · Engadget on early misuse, 2023.
Acceso a la voz y proyectos culturales
El Impact Program colabora con entidades que apoyan a personas con pérdida de voz y ofrece acceso a herramientas para conservar o recrear su voz. La meta de un millón de personas es un compromiso, no una cifra de resultados ya alcanzados. La serie documental 11 Voices, de 2026, presenta experiencias de personas con pérdida permanente de voz.
En enero de 2026 se presentó The Eleven Album, con artistas que incorporaron Eleven Music a distintos procesos creativos. Son dos vertientes diferentes: participación personal en la comunicación y experimentación artística. Ayudan a entender que estas herramientas también se utilizan fuera de publicidad, narración automática o atención al cliente.
Documentación de referencia: Impact Program · 11 Voices documentary · The Eleven Album.
Aplicaciones concretas en SST
En seguridad y salud en el trabajo puede apoyar versiones narradas de contenidos revisados, materiales de acogida y recursos que complementen la lectura. Su utilidad potencial está en ofrecer otra vía de acceso al mensaje, sin asumir que escuchar una explicación sustituye a comprenderla o practicarla cuando la tarea lo requiere.
Además de una guía de acogida, se puede preparar un audio de repaso antes de una reunión o narrar una explicación de un formulario. Son usos propuestos: el valor está en mantener la misma instrucción escrita y oral. Un tono sereno puede favorecer la escucha, pero no debe convertir una recomendación condicional en una orden aparentemente absoluta.
Caso práctico y comprobación del resultado
Ejemplo: producir una narración para una guía breve sobre comunicación de incidencias. El equipo utiliza el texto aprobado, escucha el resultado completo y comprueba la pronunciación de siglas, números y contactos antes de integrarlo con una transcripción accesible.
Para desarrollar el ejemplo, divide el guion en tres bloques: qué comunicar, dónde hacerlo y qué información incluir. Escribe las siglas como deben pronunciarse y explica los nombres internos la primera vez. Genera primero un fragmento con las palabras más difíciles; corrígelo antes de producir todo el audio.
Una persona revisora compara frase por frase con el texto aprobado, especialmente negaciones, extensiones telefónicas y nombres de áreas. Después, alguien ajeno al proyecto escucha sin ver el guion y explica qué canal utilizaría. Si la respuesta es ambigua, modifica el texto y vuelve a generar. Guarda juntos guion, audio final e idioma para actualizar el conjunto cuando cambie el canal.
Límites y condiciones de uso
La voz sintética puede pronunciar mal términos técnicos, omitir matices o dar un énfasis inadecuado a una advertencia. Revisa cada salida y conserva el texto de referencia. La clonación de una voz exige autorización; evita que una narración parezca una comunicación personal auténtica de alguien que no la ha emitido.
La calidad del material de voz influye en una clonación: ruido, cambios de tono o varios hablantes pueden trasladarse al resultado. La documentación distingue descargar el audio de exportar el modelo de voz: el clon no se descarga como archivo independiente. Revisa también los derechos de uso del plan antes de distribuir una narración corporativa; disponer de una muestra gratuita no acredita cualquier uso comercial.
Documentación de referencia: Text to Speech · Instant Voice Cloning.
Cuándo elegirla y con qué complementarla
Elige ElevenLabs cuando necesites producir o actualizar narraciones a partir de texto y puedas revisar cada idioma. Si ya existe una entrevista grabada cuyo contenido debe recortarse, Descript responde a otro problema: edición del material existente. CapCut puede servir para integrar la voz con imágenes y tiempos de lectura.
La comparación útil incluye una sigla, una cifra y una frase larga del contenido real. Valora inteligibilidad, facilidad de corregir un fragmento, derechos y mantenimiento de versiones, además del timbre.
Preguntas frecuentes
¿Una voz natural garantiza que el mensaje sea correcto?
No. La fluidez describe la apariencia del audio. La exactitud depende del guion, de la pronunciación efectiva y de que la persona entienda qué debe hacer.
¿Conviene clonar la voz de un responsable?
Solo con autorización y un propósito claro. Una voz de biblioteca puede evitar atribuir una comunicación personal a alguien. Si se usa un clon, identifica la narración como sintética y establece quién puede generar nuevas piezas.
¿Basta con conservar el MP3?
Conviene conservar también el texto aprobado y los datos de versión. El audio por sí solo dificulta revisar cambios de contactos o preparar otra lengua con el mismo significado.
