Cómo traducir un video a otro idioma con voz: subtítulos, doblaje con IA o tu propia voz

Encontraste un video en inglés que quieres subir a tu canal en español, le pones traducción con voz, y la voz termina la frase cuando en pantalla los labios ya se cerraron. O al revés: el texto en español queda más largo que el original, la voz acelera y aun así no cabe en el hueco de la frase. Esta comparación es para quien hace shorts y reels, edita o lleva canales de recortes y tiene que decidir entre tres caminos para traducir un video a otro idioma con voz: subtítulos traducidos, doblaje con voz de biblioteca o clon de tu propia voz. Al final tienes un video listo para publicar y sabes cuál camino va mejor según tu tipo de material.

Los artículos de este tipo suelen prometer doblaje perfecto en un clic y comparar por timbre de voz. En la práctica no decide el tono, decide la sincronía: si la frase en español cae en el mismo tramo donde habla la persona en pantalla. El español normalmente es más largo que el inglés, la misma idea ocupa más sílabas. Por eso la voz o acelera o termina antes de que se cierren los labios.

Para elegir bien, quédate con cinco rasgos. Sirven para mirar cualquier servicio de traducción, no solo Kutto:

• Costo: pagas por minutos de locución o solo por los subtítulos.
• Velocidad: los subtítulos salen más rápido que la síntesis y la mezcla del doblaje.
• Sincronía: si la frase en español entra en la ventana de la frase original.
• Audio original: si el fondo se atenúa o se corta por completo.
• Riesgo con la voz: de quién es la voz que suena y si hay consentimiento para clonarla.

Esta tabla compara cómo funciona cada enfoque por dentro, no es el resultado de una sola corrida. Lo del costo sale del catálogo de Kutto: la traducción por subtítulos no consume minutos del plan; el doblaje se cobra en minutos de locución, y lo que pase de tu plan se descuenta del saldo con tu consentimiento.

Si el video se sostiene en la imagen —un unboxing, una receta, gameplay, un tutorial con las manos— los subtítulos muchas veces resuelven. El espectador escucha la voz real del original y lee la traducción. En costo no consume minutos del plan, y en tiempo es más rápido que el doblaje porque no hay síntesis ni mezcla de pistas.

Cómo funciona por dentro: el video se reconoce, la voz se corta en frases con el tiempo del original, las frases se traducen y se reparten palabra por palabra según su largo. A la salida tienes el mismo video con subtítulos incrustados al estilo de los clips, más los archivos SRT y VTT si quieres subir los subtítulos aparte en la plataforma.

• A favor: sin consumir minutos, audio original completo, rápido.
• Qué tener en cuenta: el espectador lee en vez de mirar el cuadro, la atención se va al texto.
• Qué tener en cuenta: los subtítulos ocupan la zona baja, donde el short suele poner interfaz y la descripción.

El doblaje sirve cuando la voz pesa más que la imagen: un podcast, una entrevista, un video de conversación donde el espectador escucha en vez de leer. El problema técnico es que la traducción al español queda más larga que el inglés y hay que meterla en el mismo tramo donde habla la persona en pantalla. Con solo leer el texto no alcanza, no cabe.

En Kutto el doblaje trabaja por ventana de frase. Para cada frase se calcula una ventana: de su inicio al fin más 0,35 s, pero sin pasar del inicio de la siguiente frase ni del final del video. Dentro de esa ventana hay que acomodar la voz en español.

El ajuste va por pasos. Si cabe tal cual, se deja. Si no cabe pero alcanza con acelerar hasta ×1,15, se acelera (ahí todavía suena a voz viva, no a robot). Si no alcanza, el modelo acorta la traducción y la vuelve a locutar, hasta dos vueltas. En el caso extremo la frase se marca como excedida. Y si el español queda bastante más corto que el original, al revés: se ralentiza un poco.

• A favor: el espectador escucha, el original se atenúa en vez de cortarse.
• Cómo funciona: ventana de frase, aceleración hasta ×1,15, acortado por el modelo, fin de la frase no más tarde de +0,5 s.
• Qué tener en cuenta: en frases largas donde el español queda corto, la voz termina antes que los labios.

Un detalle importante del audio original: no se corta, se atenúa —hasta −22 dB en las ventanas de frase, donde suena la traducción. Fuera de las frases el original queda como estaba: ahí están las risas, la música y las cortinillas que hacen que el video se sienta vivo. En la fuente no hay una pista de música separada, así que dentro de la ventana se atenúa todo el fondo. En este enfoque es un compromiso, no un error.

¿Por qué el tope es ×1,15 y no ×1,5? En ×1,25 la voz ya suena a locutor apurado y en ×1,5 a robot. Todo lo demás lo resuelve el acortado de la traducción, no subir el ritmo. La locución de clips en Kutto sí permite acelerar hasta ×1,5, pero para el doblaje el umbral es más bajo a propósito.

El criterio de sincronía en Kutto es sencillo: el fin de la frase en español no más tarde de +0,5 s respecto al fin de la frase original. En positivo, la voz sigue hablando un poco después de los labios; en negativo, termina antes. El equipo de Kutto midió la desincronía en clips reales el 02/10/2026. Abajo van esos números tal cual: son cuatro corridas sobre videos concretos, no una garantía para cualquier video.

Ninguna corrida rompió el criterio: como máximo la voz terminó +0,12 s después de los labios. Los finales tempranos —de hasta −1,71 s— sí aparecieron. Son frases donde el español quedó más corto que el original (el inglés a veces es más largo, y las groserías suelen caerse en la traducción). La voz no se va después de los labios, pero en una frase larga el silencio al final se nota. Es un límite del enfoque, no una falla.

Tomar la voz de una persona del video y ponerla sobre la traducción sin su permiso es una falsificación, y en Kutto no se hace. Por eso la voz del doblaje sale de la biblioteca de ElevenLabs. Si quieres una voz parecida al original, el camino es describir la voz que buscas (Voice Design), no clonar a una persona concreta.

El clon de tu propia voz es otra historia: es tu voz y tu consentimiento. Tiene sentido cuando llevas un canal y mantienes una entrega reconocible, así tus videos traducidos suenan con tu voz y no con una ajena de biblioteca. Para eso hace falta justamente el consentimiento del dueño de la voz; sin él no se clona.

El proceso es el mismo para subtítulos y para doblaje; la bifurcación está solo al final. La traducción siempre se puede corregir a mano antes de que el video pase a render o a locución.

1. 1

   Carga el video

   Un archivo, un video de tu medioteca o un enlace de YouTube, Reels o TikTok. Elige el idioma de destino: español.

2. 2

   Corrige la traducción por frases

   El video se reconoce y se corta en frases con el tiempo del original. En la etapa de edición lee la traducción con los ojos: quita los recortes, arregla el sentido y los nombres.

3. 3

   Elige la salida

   Subtítulos incrustados en el video más SRT/VTT, sin consumir minutos del plan. O doblaje: el video con voz de biblioteca y el original atenuado.

4. 4

   Recupera la pista de voz

   Después del doblaje, en la medioteca queda aparte la pista de voz (m4a). La necesitas si quieres remezclar la traducción con tu propia música.

Revisar la sincronía en tu propio video no necesita mediciones. Busca las dos frases más largas donde la persona se vea en plano cerrado. Pausa justo cuando se cierran los labios en pantalla y escucha si la voz en español sigue hablando. Si sigue bastante después, la frase está sobrecargada y conviene acortar la traducción a mano. Si la voz calla mucho antes que los labios, la traducción salió más corta que el original: no es un error, pero en una frase larga se verá la pausa.

• No corregir a mano: quedan recortes y nombres mal escritos.
• Meter texto demasiado denso sin pausas: la síntesis no tiene dónde acomodar el español.
• Olvidar que el español es más largo y esperar calce perfecto en cada frase.

El doblaje tropieza en casos concretos. En frases largas donde el español queda mucho más corto, la voz termina y calla antes que los labios. Cuando la fuente no trae una pista de música separada, dentro de la ventana de frase se atenúa todo el fondo, no solo la voz. Y el clon exacto de una voz ajena sin consentimiento no se hace: la voz sale de la biblioteca.

Hay otro límite: los videos donde cada segundo de reacción en cuadro cuenta —un diálogo rápido con interrupciones, un stand-up con el timing puesto en las pausas. Ahí cualquier aceleración o acortado de la traducción se escucha más que en una entrevista tranquila. Para ese material los subtítulos suelen ir mejor que el doblaje.

Antes de que el video salga a tu canal, repasa estos puntos. Son dos minutos y evitan la mayoría de los tropiezos.

• Revisa la sincronía en dos o tres de las frases más largas.
• Lee la traducción con los ojos: sin recortes ni sentido roto.
• Decide si hacen falta subtítulos encima del doblaje para quien ve sin sonido en el feed.
• Revisa los derechos del video original si es ajeno.
• Si doblaste, guarda la pista de voz m4a por si remezclas.