Preparas una actividad de comprensión auditiva y se te va media tarde buscando el audio adecuado: que trate el tema de la unidad, que no vaya demasiado rápido para tu grupo de A2 y que no dure doce minutos. Al final, grabas tú el diálogo con el móvil, haciendo las dos voces, y tus estudiantes reconocen tu voz antes que el contenido.
Las voces generadas por inteligencia artificial pueden ayudarnos a resolver este problema, y hoy suenan mucho más naturales que aquellas voces planas y sin emoción de los primeros sintetizadores. En este artículo vemos qué pueden hacer estas voces, por qué interesan en el aula de español y tres actividades para trabajar el audio sintético y el pódcast con IA en clase de ELE sin perder de vista el objetivo didáctico.
Voces que ya no suenan a robot
Empresas como Mistral AI, con sus modelos de voz Voxtral, o ElevenLabs, una de las referencias en voces sintéticas, ofrecen herramientas que cualquier docente puede probar desde el navegador. Más allá de los detalles técnicos, lo interesante para nosotros es lo que estas herramientas saben hacer, porque coincide con aspectos que trabajamos a diario en clase:
- Hablar con intención. Podemos pedir a una voz que lea un texto más despacio, con sorpresa, con enfado o con ironía. Es decir, podemos dirigirla como dirigiríamos a un actor.
- Transcribir sabiendo quién habla. Una grabación de un grupo de cuatro estudiantes se convierte en un texto en el que cada intervención aparece atribuida a su autor.
- Conversar respetando los turnos. Los asistentes de voz más avanzados responden casi sin esperas, se callan cuando las interrumpimos y distinguen cuándo hemos terminado de hablar y cuándo solo decimos ajá para indicar que seguimos escuchando.
Entonación, análisis de la propia producción y gestión de los turnos de palabra: tres contenidos que a menudo cuesta trabajar en clase y que ahora tienen un aliado inesperado. Veamos cómo aprovecharlo.
Tres actividades con audio sintético y pódcast con IA
Ninguna de estas propuestas exige saber programar. Puedes llevarlas a cabo con las herramientas web de Mistral o de ElevenLabs, y en muchos casos con cualquier generador de voz de calidad.
1. Dirigir a la voz: emociones y entonación
Parte de una frase neutra, como Ya ha llegado el paquete o Mañana viene mi suegra. En parejas, los estudiantes escriben instrucciones para que la voz sintética la pronuncie con una emoción concreta: alivio, sorpresa, enfado, ironía o resignación. Después reproducen sus versiones y el resto del grupo intenta adivinar qué emoción se buscaba.
La parte más rica de la actividad llega a continuación: analizar qué ha cambiado en cada versión (el tono, la velocidad, las pausas, los alargamientos) y pedir a los estudiantes que imiten las versiones mejor conseguidas. Así trabajan a la vez el léxico de las emociones, la escritura de instrucciones precisas y una prosodia que rara vez recibe atención explícita. En B2 y C1, la ironía da para una conversación muy interesante sobre la distancia entre lo que decimos y lo que queremos decir.
Puedes usar el mismo recurso para graduar la velocidad de una escucha, del habla clara a la coloquial, como proponíamos en nuestro artículo sobre cómo trabajar el habla encadenada.
Nivel recomendado: B1-C1.
2. El pódcast del grupo, transcrito y analizado
En grupos de tres o cuatro, los estudiantes graban un pódcast de cinco minutos en formato tertulia sobre un tema de la unidad. Después, transcribes la grabación con una herramienta que identifique a cada hablante. Si le das una lista con el vocabulario de la unidad, reconocerá mejor las palabras que te interesa analizar.
Con la transcripción delante, cada grupo analiza su propio pódcast con preguntas guiadas: ¿quién ha hablado más?, ¿hemos usado los conectores que estudiamos?, ¿qué muletillas repetimos?, ¿qué errores aparecen más de una vez? De esta forma, los estudiantes dejan de ver su producción oral como algo que se escapa en el momento y empiezan a observarla, una reflexión que conecta directamente con las técnicas de autoevaluación.
Ten en cuenta que la transcripción automática tiende a corregir: a veces escribe lo que el estudiante quería decir y no lo que dijo. Pide a los grupos que vuelvan al audio cuando sospechen un error.
Nivel recomendado: B1 en adelante.
3. Ensayar conversaciones con un agente de voz
Configura un asistente de voz con un papel concreto y unas instrucciones sencillas: un recepcionista de un hotel de Cádiz que trata de usted, habla despacio y usa un vocabulario de nivel A2. Los estudiantes reciben una tarjeta con tres objetivos (reservar una habitación doble, preguntar si el desayuno está incluido y cambiar la fecha de llegada) y ensayan la conversación en casa antes de hacer el juego de rol en clase.
Como estas voces responden casi sin esperas y se callan cuando se les interrumpe, obligan a gestionar la conversación de verdad: pedir que repitan (¿Perdona, puedes repetir?), interrumpir con cortesía o reformular cuando no les entienden. Aprovecha también para trabajar las señales de escucha que usamos constantemente en español, como ya, claro, ¿en serio? o no me digas, y comprobar si el asistente las interpreta como interrupciones o como muestras de atención.
Para muchos estudiantes, poder equivocarse sin público reduce la ansiedad que generan las situaciones orales. El ensayo con la máquina no sustituye a la interacción oral con los compañeros: la prepara.
Nivel recomendado: A2 en adelante.
Antes de llevarlo al aula
Por muy natural que suene, el audio sintético no sustituye las muestras reales. El habla espontánea está llena de solapamientos, titubeos y autocorrecciones, y las voces artificiales tienden a producir un español más limpio y ordenado del que tus estudiantes van a escuchar fuera del aula. Además, la variedad de acentos disponibles en cada herramienta puede ser limitada, así que conviene combinar estas voces con audios auténticos, como los de un pódcast como LdeLengua.
La voz es, además, un dato personal. Pide siempre consentimiento antes de grabar a tus estudiantes, nunca reproduzcas la voz de nadie sin su permiso y, con menores, cuenta con la autorización de las familias y del centro. Comprueba también dónde se guardan las grabaciones e indica siempre cuándo un audio está generado por IA: es una cuestión de transparencia y una buena ocasión para hablar de alfabetización digital crítica.
De escuchar audios a producirlos
Durante años, la comprensión auditiva ha dependido de los audios que encontrábamos o de los que venían con el manual. Las voces sintéticas cambian esa relación: ahora podemos crear muestras ajustadas a nuestro grupo y, sobre todo, poner a nuestros estudiantes a producir, dirigir y analizar audio en español.
La clave, como siempre, está en el diseño didáctico. Una voz sintética bien dirigida puede ser un excelente punto de partida, pero el punto de llegada siguen siendo las voces reales: las de los hablantes de español y las de tus propios estudiantes.
¿Te ha interesado este artículo? Entonces, échale un vistazo a nuestro curso en línea sobre inteligencia artificial en la clase de español, donde aprenderás a integrar estas herramientas en tus clases con criterio didáctico. Con la garantía y la experiencia de International House formacionele.com.
Francisco Herrera es formador de profesores de español en varios programas universitarios y dirige la plataforma International House formacionele.com. También es el director del centro CLIC International House Cádiz.
