Un vídeo con mi cara y mi voz sin grabarme: lo que funcionó y lo que no

Cuando un alumno consigue una insignia en jmochon.training le llega un vídeo mío de felicitación. No me he grabado para hacerlo: está hecho entero con IA a partir de cuatro fotos mías. Os cuento el proceso, porque el resultado final no salió a la primera y los fallos enseñan más que el vídeo.

1. La imagen: Kling con fotos reales

Le di a Kling cuatro fotos mías y un fondo verde, con la cámara fija. El parecido es bueno y, sobre fondo verde, puedo hacer después el mismo truco que enseño en el curso: recortar y llevarme a otro sitio.

Lo que no funcionó: la voz. Kling vuelve a locutar el texto con su propia voz aunque le des tu audio como referencia. Suena a alguien que se parece a mí leyendo un guion.

2. La voz: mi voz clonada, en mi ordenador

La voz la saqué de un clon que tengo en local con Voicebox. Generé varias tomas del mismo guion y elegí la que tenía mejor entonación. Las palabras en inglés las escribo como suenan («croma», «qui») para que no las pronuncie a la española de forma rara.

3. Juntar las dos cosas: Lip Sync

El paso que lo arregló fue la función Lip Sync de la web de Kling: le das el vídeo y tu audio, y rehace solo la boca respetando el audio tal cual. Cuesta 15 créditos y tarda unos seis minutos.

4. El montaje

El recorte del verde, la tarjeta de la insignia y el cierre están montados por código (HTML renderizado a vídeo), así que el mismo diseño me sirve para todas las insignias cambiando el texto.

Lo que cuesta y lo que me llevo

• Unos 114 créditos de Kling por vídeo, y se reutiliza para todos los alumnos que consiguen esa insignia.
• La voz es el punto débil de las herramientas todo en uno. Con tu propia voz y Lip Sync el resultado da el salto.
• Todo lo que hago así lo etiqueto como generado con IA. Desde agosto de 2026 es obligatorio en la Unión Europea, y además es lo honesto.

¿Lo usaría para sustituir una clase? No. Para un mensaje corto que llega en el momento justo, sí.