Estudiar con audios con ayuda de la IA

Escucha el resumen del post

Audio generado con ElevenLabs a partir de un resumen creado con ChatGPT

Reproducir audio

Hace unos días, un compañero de mi instituto, que se está preparando las oposiciones, me preguntó cómo podría pasar cada tema a audios que le transcriban el contenido para después poder escucharlos tranquilamente mientras pasea o está más relajado. A modo de repaso o refuerzo.

A veces, docentes o estudiantes, tenemos un documento extenso en PDF: un tema de oposición, tochos legislativos, unos apuntes, un artículo o un material de estudio... El problema no es solo leerlo, sino encontrar tiempo y energía para hacerlo. En esos casos, convertir el texto en audio puede ser una solución muy útil: permite escucharlo mientras caminamos, viajamos, corregimos materiales, organizamos el aula o simplemente descansamos la vista.

Hoy ya existen herramientas que convierten documentos en audio de forma directa, pero son de pago o tienen limitaciones. Pero también podemos hacerlo con un procedimiento, usando una IA para limpiar el texto y la voz sintética del ordenador para leerlo en voz alta mientras lo grabamos.

Usaremos ChatGPT, que procesará el PDF, te dará la transcripción en texto de cada parte y por último podrás activar la transcripción con voz de cada bloque, mientras lo grabas.

La secuencia es sencilla:

Darle a la IA el PDF y un prompt

↓

 Obtener un texto limpio

↓

Activar el dictado del texto

↓

y mientras dicta grabar el audio

No se trata de que la IA resuma el documento ni lo transforme en otra cosa. El objetivo es más modesto y más útil: preparar el texto para que pueda ser escuchado con claridad.

Condiciones que debe tener el PDF

Para que este proceso funcione bien, el PDF debe cumplir algunas condiciones mínimas. No todos los documentos se comportan igual cuando los subimos a una IA o intentamos extraer su texto.

• Que el PDF permita seleccionar, copiar y pegar el texto. Una prueba sencilla: Abre el PDF, intenta seleccionar una frase con el ratón y cópiala en un documento. Si puedes hacerlo, el PDF contiene texto reconocible. Si no puedes seleccionar nada, probablemente el PDF sea una imagen escaneada.

• Que no sea solo una imagen escaneada. Muchos PDFs son en realidad fotos de páginas. Parecen documentos, pero para la IA son imágenes. En estos casos, la transcripción puede contener errores: palabras mal reconocidas, letras cambiadas, saltos raros, frases incompletas o mezcla de columnas. Para evitarlo, conviene usar antes OCR con herramientas como Google Drive, Adobe Acrobat, OneNote o la función de texto en vivo del móvil.

• Que tenga buena calidad visual.  Si el PDF está escaneado, la calidad dejará que desear. Debe estar bien enfocado, sin sombras, sin páginas torcidas, con buen contraste, sin manchas ni zonas borrosas. Un escaneo malo produce una transcripción mala. La IA puede ayudar a limpiar, pero no hace milagros.

• Que el texto tenga una estructura clara. El proceso funciona mejor si el documento tiene títulos, subtítulos, apartados, párrafos bien diferenciados y una paginación limpia. Los documentos muy maquetados, con muchas columnas, tablas, notas laterales, pies de imagen o cuadros de texto, pueden generar una transcripción más desordenada.

• Que no tenga demasiados elementos decorativos o técnicos.  Para convertir un PDF en audio, sobran muchos elementos visuales: números de página, cabeceras repetidas, pies de página, logotipos, marcas de agua, nombres de archivo, referencias internas, menús, iconos o textos decorativos. No pasa nada si aparecen, pero luego habrá que pedir a la IA (mediante el prompt que te adjunto) que los elimine para que la voz sintética no los lea.

• Que no sea excesivamente largo para una sola operación. Si el PDF tiene muchas páginas, es mejor no pedir a la IA que lo procese todo de golpe. Lo recomendable es trabajar por capítulos, por apartados o por bloques de páginas. 

Por ejemplo:

• "Procesa de la página 1 a la 5. Después continuaré con las siguientes"
• O también: "Extrae y limpia el texto del primer capítulo. Cuando termines, esperaré para pedirte el siguiente"

Así se evita que la IA se salte partes, mezcle secciones o devuelva un resumen encubierto.

• Que no tenga restricciones de copia o protección. Algunos PDFs están protegidos y no permiten copiar texto, extraer contenido o ser leídos correctamente por determinadas herramientas. En ese caso puede ser necesario usar una versión accesible del documento, buscar el documento original en formato Word o HTML, o aplicar OCR si legalmente podemos hacerlo.

• Que el contenido pueda tratarse legalmente. Esto es importante para docentes y estudiantes. Conviene asegurarse de que tenemos derecho a usar ese PDF para el fin previsto, especialmente si vamos a distribuir el audio resultante. No es lo mismo crear un audio para uso personal de estudio que compartir públicamente el contenido completo de un libro, manual o material protegido.

• Que el idioma esté claro. Si el documento está en español, conviene indicarlo en el prompt: "El documento está en español. Mantén el español original y prepara el texto para lectura oral en español". Si mezcla idiomas, también conviene avisarlo para que la IA no “normalice” o traduzca partes que deben conservarse.

• Que se revise una muestra antes de procesarlo entero. Antes de convertir todo el PDF en audio, es mejor probar con una o dos páginas. El docente o estudiante puede comprobar: si la IA extrae bien el texto, si elimina correctamente cabeceras y pies, si respeta el contenido, si no resume, y si el resultado suena bien al leerlo en voz alta. El prompt que te voy a pasar facilita esto.

PROMPT PARA PEGAR JUNTO AL PDF

¿Qué hago cuando la IA me responde al prompt?

Una vez que la IA ha procesado el PDF y nos devuelve el texto dividido en bloques, no conviene lanzarse directamente a grabarlo todo. Antes hay que hacer una pequeña revisión. No es una corrección literaria, sino una comprobación rápida para asegurarnos de que el audio que vamos a generar será útil.

La IA habrá preparado el texto para lectura oral, pero sigue siendo recomendable revisar algunas cosas:

• que no haya resumido el contenido;
• que no falten apartados importantes;
• que no se hayan colado números de página, cabeceras o pies repetidos;
• que los títulos estén bien separados;
• que los párrafos no sean demasiado largos;
• que la lectura resulte natural al escucharla.

No hace falta revisar palabra por palabra todo el documento. Basta con mirar el inicio, una parte intermedia y el final de cada bloque. Si detectamos errores, podemos pedir a la IA que corrija solo ese bloque.

Por ejemplo: "Revisa este bloque para lectura oral. No resumas. No cambies el contenido. Elimina restos de formato, números de página, cabeceras repetidas y saltos extraños. Devuélveme solo el bloque limpio".

Copiar cada bloque en un lector de voz 

Cuando el texto ya está limpio en ChatGPT, activas "Leer en voz alta". Pero no antes de darle a grabar el audio desde tu grabadora de voz del ordenador. Si no le das a grabar antes, se cortará el inicio. Cuando termine de leer, cortas la grabación y ya tienes listo tu primer bloque de transcripción sonora.

La idea es sencilla: pegamos el texto, activamos la lectura y escuchamos una pequeña muestra antes de grabar. Este paso de prueba es importante. 

Antes de grabar el bloque completo, conviene hacer una prueba de unos 20 o 30 segundos. El procedimiento sería: 

• Abrir el texto limpio. 
• Activar la lectura en voz alta. 
• Abrir la grabadora de voz del ordenador. 
• Grabar unos segundos. 
• Detener. 
• Escuchar la prueba. 

En esa prueba comprobaremos si el volumen es suficiente, si se oye ruido de fondo, si la voz se entiende bien y si el audio no está saturado. Si grabamos con el micrófono del ordenador, es importante que haya silencio alrededor. Esta opción es la más sencilla, aunque no la de mayor calidad. 

Si queremos un sonido más limpio, podemos grabar el audio interno del ordenador con programas como Audacity. Con Audacity, en Windows, se puede grabar el audio interno del ordenador seleccionando como sistema de grabación Windows WASAPI y, como entrada, la salida de sonido que estemos usando, por ejemplo “Altavoces” o “Auriculares”. Después se pulsa Grabar, se inicia la lectura en voz alta del texto y Audacity capturará directamente el sonido del sistema, sin depender del micrófono ni del ruido ambiente. Al terminar, se detiene la grabación y se exporta el archivo en MP3 o WAV. En Mac suele hacer falta una herramienta puente como BlackHole para redirigir el audio interno hacia Audacity.

Grabar bloque a bloque

Para documentos largos, lo mejor es grabar cada bloque por separado. Esto tiene varias ventajas. Si algo sale mal, solo repetimos ese fragmento. Además, los archivos resultantes son más manejables y pueden escucharse de forma independiente. Una buena forma de nombrarlos sería:

• tema_oposicion_bloque_01.mp3
• tema_oposicion_bloque_02.mp3
• tema_oposicion_bloque_03.mp3

O, si el documento tiene capítulos:

• tema 1_intro.mp3
• tema 1_título.mp3
• tema 1_título.mp3

Escuchar y revisar el resultado

Después de grabar cada bloque, no hace falta escuchar todo el audio entero, pero sí conviene revisar tres puntos:

• los primeros segundos;
• un fragmento intermedio;
• el final.

Así comprobamos que la grabación no se ha cortado, que el sonido es estable y que la lectura ha terminado correctamente.

Si algo ha fallado, repetimos solo ese bloque.

Guardar o unir los audios

Podemos dejar los audios separados o unirlos en un único archivo.

Para estudiar, a menudo es mejor conservarlos por partes. Permite volver a una sección concreta sin tener que buscar dentro de un audio larguísimo.

Si queremos unirlos, podemos usar herramientas sencillas como Audacity, Clipchamp, CapCut... Basta con colocar los audios en orden y exportar el resultado final.

Flujo final de trabajo

El proceso completo, una vez que la IA nos responde, sería este:

1. Revisar el texto limpio que ha devuelto la IA.
2. Comprobar que no ha resumido ni eliminado partes importantes.
3. Corregir con la IA los bloques que tengan errores.
4. Copiar el Bloque 1 en un lector de voz.
5. Elegir voz, velocidad y volumen.
6. Hacer una prueba de grabación de 20 o 30 segundos.
7. Grabar el bloque completo.
8. Guardar el archivo con un nombre claro.
9. Repetir el proceso con los siguientes bloques.
10. Revisar los audios finales.
11. Dejarlos separados o unirlos en un único archivo.

Limitaciones y alternativa: el modo de voz de ChatGPT

“Leer en voz alta” no suena igual que el modo voz conversacional en ChatGPT. El modo voz está pensado para conversación oral: usa voces más naturales, con más prosodia, ritmo, pausas e intención. En cambio, “Leer en voz alta” funciona más como una lectura TTS del texto escrito: suele sonar más plana, más mecánica y menos expresiva. Sirve para escuchar una respuesta, pero no es la mejor opción si quieres crear un audio largo agradable, tipo material de estudio o audiotema.

Otra posibilidad no es convertir el PDF en un audio completo, sino conversar oralmente con su contenido. Para ello, podemos subir primero el documento a ChatGPT en una conversación normal, pedirle que lo analice, lo divida por apartados o lo convierta en bloques de estudio, y después usar el modo voz para preguntarle por el texto.

En este caso, el objetivo cambia. Ya no buscamos que la IA lea todo el documento de principio a fin, sino que nos ayude a comprenderlo: podemos pedirle que nos explique un apartado, que nos haga preguntas de repaso, que nos aclare conceptos difíciles, que nos prepare una síntesis oral o que actúe como tutor de estudio.

Por ejemplo: 

"Te he subido este PDF. Quiero estudiarlo oralmente contigo. No inventes información. Respóndeme solo a partir del documento. Explícame el contenido por partes y hazme preguntas para comprobar si lo entiendo"

El modo voz de ChatGPT puede ser muy útil para estudiar o comprender un PDF, pero conviene usarlo bien. No funciona igual que un reproductor de audio: no está pensado para leer un documento entero de principio a fin, sino para dialogar con el contenido. Por eso, cuanto más concreta sea la tarea que le damos, mejor será la experiencia.

Un buen truco es empezar la conversación en modo texto. Primero subimos el PDF, pedimos a ChatGPT que identifique su estructura y que divida el contenido en partes. Después podemos pasar al modo voz para trabajar oralmente cada sección.

Por ejemplo: "Te he subido este PDF. Antes de usar el modo voz, analiza su estructura y divídelo en bloques de estudio. No resumas todavía. Solo dime qué partes tiene y en qué orden conviene trabajarlas oralmente"

Después, ya en modo voz, podemos pedirle algo más concreto: "Vamos a estudiar el Bloque 1. Explícamelo de forma clara, sin inventar información y usando solo el contenido del PDF. Después hazme tres preguntas para comprobar si lo he entendido"

También ayuda mucho pedirle que no hable demasiado seguido. En voz, una respuesta larga puede hacerse pesada. Es mejor trabajar con intervenciones breves: "Respóndeme en fragmentos cortos. Después de cada explicación, haz una pausa y pregúntame si quiero continuar"

Otro truco importante es convertir la conversación en una especie de tutoría oral. En lugar de pedir “léeme el PDF”, que suele ser poco eficaz, podemos pedir: "Explícame este apartado como si fueras mi tutor. Hazme preguntas. Corrige mis respuestas. Ponme ejemplos. Pídeme que reformule la idea principal con mis palabras"

Para estudiar, funciona especialmente bien este ciclo: 

1. Explícame el apartado.
2. Hazme preguntas de comprensión.
3. Espera mi respuesta.
4. Corrige mis errores.
5. Resume lo esencial en una frase.
6. Pasa al siguiente apartado.

También podemos pedirle que adapte el nivel: Explícamelo primero de forma sencilla. Después, si lo entiendo, aumenta el nivel de profundidad.

O que trabaje como preparador de examen: Hazme preguntas tipo examen sobre este bloque. No me des la respuesta hasta que yo conteste. Después corrige mi respuesta y dime qué debería mejorar.

La clave es no usar el modo voz como si fuera una radio, sino como una conversación de estudio. El valor no está solo en escuchar, sino en responder, reformular, preguntar y comprobar si realmente hemos comprendido.

Para que funcione bien, conviene recordar estas recomendaciones:

• Trabajar por bloques, no con todo el PDF a la vez.
• Pedir respuestas breves.
• Exigir que use solo el contenido del documento.
• Pedir preguntas de comprobación.
• Interrumpir cuando se vaya por las ramas.
• Solicitar ejemplos cuando algo resulte abstracto.
• Pedir una síntesis final de cada bloque.

Un prompt útil para empezar sería:

Te he subido este PDF. Quiero estudiarlo contigo usando el modo voz. Instrucciones:

• Usa solo la información del documento.
• No inventes datos.
• Trabaja por bloques.
• Explícame cada bloque de forma clara y breve.
• Después de cada explicación, hazme preguntas para comprobar si lo he entendido.
• Espera mi respuesta antes de continuar.
• Corrige mis errores con precisión.
• Al final de cada bloque, dame una síntesis breve y una idea clave para recordar.

Otra opción: usar ElevenLabs 

Si queremos evitar la grabación manual con la grabadora del ordenador, podemos usar una herramienta específica de texto a voz como ElevenLabs. 

Su ventaja principal es la calidad de las voces: suelen sonar más naturales que la lectura en voz alta del sistema o de ChatGPT, y permiten generar archivos de audio descargables. 

En este caso, el proceso cambia ligeramente. 

• Primero podemos usar ChatGPT para extraer y limpiar el texto del PDF, tal como hemos explicado antes. 
• Después copiamos cada bloque limpio en ElevenLabs, elegimos una voz en español, ajustamos el ritmo si es necesario, generamos el audio y lo descargamos en formato de sonido. 

El flujo sería este:

PDF → ChatGPT limpia y divide el texto → ElevenLabs genera la voz → descarga del audio

También podemos usar ElevenLabs Studio, pensado para proyectos de audio más largos. Studio permite convertir páginas web o documentos en audio hablado, importando una URL o subiendo un documento, y seleccionando una voz por defecto para el proyecto. Puedes usarlo en cuentas gratuitas. Te asignan unos miles de créditos al mes que te dan para crear 3-4 audios.

Para textos breves o bloques sueltos, bastaría con usar la función de Text to Speech. ElevenLabs describe su herramienta de texto a voz como un sistema capaz de convertir texto en audio con entonación, ritmo y estilos de voz naturales, y con soporte multilingüe.

La recomendación práctica es no pegar un documento larguísimo de una sola vez. Es mejor trabajar por bloques: introducción, capítulo 1, capítulo 2, apartado 3, etc. Así podemos revisar cada audio, corregir errores y regenerar solo una parte si algo no suena bien.

Antes de generar el audio definitivo, conviene probar varias voces en español. No todas encajan igual con todos los textos. Para un tema de estudio suele funcionar mejor una voz clara, pausada y neutra. Para una introducción de blog, una voz más cálida y narrativa puede resultar más atractiva.

ElevenLabs también ofrece una app de lectura, ElevenReader, que permite escuchar textos como artículos, PDF o ePub desde el móvil. Puede ser útil si lo que queremos es escuchar un documento, aunque para crear y controlar audios destinados a un post, una clase o un material compartible suele ser más conveniente preparar primero el texto con ChatGPT y luego generar el audio desde ElevenLabs.

En resumen, ElevenLabs es una buena opción cuando queremos un resultado más cuidado:

• Mejor calidad de voz.
• Audio descargable.
• Posibilidad de probar distintas voces.
• Trabajo por bloques o proyectos largos.
• Menos ruido y menos problemas que grabar con micrófono.

La combinación más eficaz sería esta:

• ChatGPT prepara el texto.
• ElevenLabs pone la voz.
• El docente o estudiante revisa, descarga y organiza los audios.

Así pasamos de un PDF largo y poco manejable a un recurso sonoro claro, reutilizable y mucho más cómodo de estudiar o compartir, como es mi caso en este post, donde puedes escuchar un audio-resumen del post al inicio del mismo. Puedes usar esta fórmula en tus blogs, sites de aula.