La voz fija el piso: narración cerca de -16 LUFS
Una mezcla bajo narración tiene exactamente un ancla, y es la voz. Deja la narración en torno a -16 LUFS integrados, con true peak por debajo de -1 dBTP, y toda decisión posterior de este artículo se convierte en un número que puedes medir en lugar de una sensación. LUFS es el volumen tal como el oído lo percibe a lo largo del tiempo, no el pico más alto de la onda, y por eso una pista puede picar en el mismo lugar que tu voz y aun así tragarse la mitad de ella.
La razón de que -16 LUFS sea el objetivo útil es que las plataformas normalizan. YouTube baja cualquier cosa notablemente más alta que unos -14 LUFS y no sube el material bajo, e Instagram, TikTok y Facebook quedan en el mismo barrio. La normalización es un único fader aplicado a todo el programa, así que no arreglas un mal equilibrio entre música y voz exportando más alto. Si la pista está 8 dB debajo de la narración en tu proyecto, estará 8 dB debajo de la narración en el celular de cada espectador, a cualquier volumen, para siempre.
Dos números para tener a la vista mientras trabajas: el loudness de corto plazo durante el habla orbitando entre -16 y -14 LUFS, y el true peak sin cruzar nunca -1 dBTP, lo que deja aire para el codec con pérdida sin recortar. En un canal faceless la voz carga el video entero, porque no hay rostro ni presencia de cámara haciendo ese trabajo, y la mezcla tiene que decirlo bien claro.
Cuánto debe estar la música por debajo de la voz: 18 a 24 dB
Aquí está el número sobre el que gira todo el artículo. Mientras el narrador habla, el bus de música debe quedar 18 a 24 dB por debajo de la voz. En medidor crudo: si tu narración pica cerca de -6 dBFS, los picos de la música caen entre -26 y -30 dBFS. Escucha la música sola a ese nivel y sonará casi vergonzosamente baja. Devuelve la voz encima y sonará correcta, y ese es todo el truco.
La mayoría de los canales se queda en 8 a 12 dB por debajo, y la culpa siempre es de la misma sala: mezclas de noche, con auriculares, sin ruido alrededor, y un fondo a -10 dB se siente cinematográfico. Después el video se ve en un celular a medio volumen, en una cocina con ventilador, y ese fondo se come las consonantes del final de las palabras. A menos de unos 10 dB de la voz, la música enmascara la región de 2 a 6 kHz donde viven t, c, s y f. El cerebro reconstruye lo que falta, pero reconstruir cuesta atención. Nadie piensa que la mezcla está mal. Solo se cansan, y el espectador cansado se va sin saber por qué.
Ajusta el objetivo por género y no por gusto. El contenido informativo, de finanzas y tutorial pide 22 a 24 dB de separación, porque cada frase carga información que el espectador no puede perderse. Historia, true crime y documental viven en 16 a 20 dB, donde la música hace trabajo emocional real. El contenido motivacional puede llegar a 14 a 18 dB, pero solo con una pista sin movimiento melódico en la banda de la voz. Por debajo de 14 dB dejaste de musicalizar el video y empezaste a competir con él.
Ducking: 6 a 10 dB, con la voz apretando el gatillo
Un nivel fijo no alcanza, porque la narración no es fija. Sube en un énfasis, baja en un inciso, se detiene para respirar. El ducking, también llamado compresión sidechain, pone un compresor en la música y deja que la voz lo dispare: cuando el narrador habla la música baja, cuando calla vuelve. La reducción de ganancia objetivo es de 6 a 10 dB mientras hay habla.
Los ajustes importan más que el plugin. Ratio de 4:1 a 8:1. Threshold calibrado para que el habla normal dispare la reducción completa y la respiración no dispare nada. Attack de 10 a 30 ms, rápido para atrapar la primera sílaba y lento para no chasquear. Hold de 80 a 150 ms, para que el hueco entre dos palabras no abra la puerta. Release de 250 a 400 ms, que es lo que hace que la música vuelva como decisión y no como reflejo. Cada fallo tiene su firma: bombeo en cada palabra es release por debajo de 100 ms, un hinchazón después de cada frase es release por encima de 800 ms, primera sílaba tragada es attack demasiado lento, y música que se hunde cuando el narrador solo inhala es threshold demasiado bajo.
Apila los dos mecanismos en vez de elegir uno. Deja el fondo estático 18 dB debajo de la voz y deja que el ducker se lleve otros 6 a 10 dB mientras las palabras suceden. Durante el habla la música queda efectivamente 24 a 28 dB abajo, y en las pausas sube de nuevo a esos 18 dB, así que la pista respira con la narración en lugar de pelear con ella. Esa respiración es lo que el oyente registra como audio profesional, aunque jamás sabría nombrarla.
Justo aquí es donde FalconVid deja de cobrarte una hora por video. El diseño de sonido corre en paralelo con el investigador, el guionista, el narrador y el editor, y no tiene que adivinar dónde está el habla: el motor generó la propia pista de narración, así que conoce cada frontera de palabra y cada pausa al milisegundo. La curva de ducking se escribe a partir de eso, no se detecta después, y la primera versión vuelve mezclada en hasta 30 minutos.
El volumen es la mitad del problema: corta los graves de la música en 200 Hz
Dos sonidos solo pelean donde comparten frecuencia. Una voz hablada tiene su fundamental entre unos 85 y 180 Hz en la mayoría de los hombres y 165 a 255 Hz en la mayoría de las mujeres, su inteligibilidad entre 1 y 4 kHz y su sibilancia entre 5 y 8 kHz. La música guarda la mayor parte de su energía por debajo de 250 Hz, en el bombo y el bajo. Ese grave no enmascara tus consonantes, pero se come el headroom, y el headroom es exactamente lo que la normalización viene a cobrarte después.
Así que pon un filtro paso alto en la música entre 150 y 250 Hz, con 200 Hz como valor por defecto que acierta nueve de cada diez veces. Barre el filtro con la voz sonando, nunca con la música en solo, porque en solo suena delgada y te convencerás de abandonar. Debajo de la narración suena correcta, y normalmente libera de 3 a 6 dB de headroom que vuelven directo a la voz. Después excava la banda de presencia: una caída ancha de 2 a 4 dB entre 1,5 y 3 kHz abre justo la ventana donde trabajan las consonantes, y un EQ dinámico disparado por la voz mantiene la pista con su carácter completo en los huecos.
La prueba de dispositivo es lo que vuelve todo esto concreto. El altavoz de un celular recorta casi todo por debajo de 300 a 500 Hz, así que el grave que peleaste por conservar es inaudible justo en el aparato donde está la mayoría de tu audiencia, mientras que en una tele o unos auriculares ese mismo grave es lo que embarra la mezcla. Cortarlo no cuesta nada en el celular y compra claridad en todo lo demás.
Dónde la pista tiene permiso para subir
La regla cabe en una línea: la música solo sube donde no hay habla. Todo lo demás es negociable, esto no. Una pista que se hincha en mitad de una frase no suena cinematográfica, suena a error, y el espectador resuelve la confusión yéndose. La buena noticia es que un video de 12 minutos tiene lugares de sobra para sonar alto de forma legítima.
Dale números a la subida para que sea un movimiento y no un temblor. En esos huecos deja que la música llegue a 8 a 12 dB por debajo del nivel de la voz, una ganancia de unos 10 a 14 dB respecto al fondo de habla, con fades de 1 a 2 segundos al subir y de 0,5 a 1 segundo al bajar, para que el narrador nunca hable sobre una cola que decae. Automatízalo en la línea de tiempo, porque el ducker solo sabe apartarse, no sabe hacer una entrada. Uno a dos segundos de música al frente entre bloques funcionan como puntuación: avisan de que un capítulo cerró y le compran al siguiente un instante de buena voluntad.
Este es otro punto donde FalconVid juega con la hoja de respuestas. El motor escribió el guion y generó la narración, así que sabe dónde termina la intro, dónde cada bloque entrega al siguiente y dónde empieza el cierre. La música sigue esa estructura sola: al frente en la intro, al frente en las transiciones, abajo durante el habla, al frente otra vez en la tarjeta final. Tú apruebas el calendario, y los videos salen ya mezclados con esa forma.
- La intro, más o menos de 0:00 a 0:08, antes de que la narración empiece a hablar
- Las transiciones entre bloques, 1 a 2 segundos de música al frente
- Cualquier pausa mayor a unos 1,5 segundos, incluidos los silencios dramáticos buscados
- Tramos de b-roll puro, donde no se narra absolutamente nada
- El momento de la revelación o del desenlace, donde la subida hace trabajo emocional
- El cierre y la tarjeta final, desde la última frase hasta el último cuadro
Dónde la música cuesta retención de verdad: la fatiga del minuto 2 a 3
La música alta casi nunca produce un escalón en el gráfico de retención. Produce una rampa, y las rampas son más difíciles de notar y mucho más caras. La forma típica es de 2 a 3 puntos perdidos cada 15 segundos desde alrededor de 1:30 hasta 3:00, sin ningún segundo concreto al que señalar. No pasó nada malo en ningún timestamp. El oyente simplemente pasó noventa segundos trabajando un poco más de lo que quería, y la paciencia se le acabó en algún punto del minuto tres.
El épico orquestal constante bajo contenido informativo es la versión clásica de esto. La pista hace una promesa emocional cada ocho compases que el contenido nunca paga, el cerebro se habitúa al drama en 60 a 90 segundos y a partir de ahí la música es solo ruido con presupuesto. Para material informativo usa un fondo mínimo de 60 a 90 BPM, sin melodía principal en la banda de voz de 1 a 4 kHz y sin saltos dinámicos, déjalo 22 dB abajo y olvida que existe.
El error opuesto también es real. El silencio total en un video de historia pierde gente, porque el silencio expone cada edición y el espectador empieza a escuchar el montaje en lugar de la historia. Un fondo 24 a 30 dB debajo de la voz hace desaparecer los cortes, así que guarda el silencio de verdad para los 2 a 4 segundos previos a una revelación. Y cuida el bucle: una sola pista corriendo 12 minutos seguidos se nota en su tercera repetición, normalmente entre los minutos 5 y 7. Cambia de pista cada 3 a 4 minutos, en el cambio de bloque y nunca en mitad de una idea, lo que en un video de 12 minutos son 3 o 4 pistas.
FalconVid resuelve esa alineación porque fue él quien armó los bloques, así que el cambio de pista cae en la costura estructural y no en el cronómetro. Y cuando no estás de acuerdo con una elección no vuelves a ninguna línea de tiempo: ves la primera versión en el Studio y cambias la música ahí, o acortas la intro, o cambias una pieza de media, y el video se rearma solo y sale en el calendario que ya aprobaste.
Dónde FalconVid hace la mezcla por ti
Todo lo anterior son unos 30 a 50 minutos de trabajo cuidadoso por video para quien ya sabe hacerlo, y unas dos semanas de curva de aprendizaje para quien no. Ese es el precio honesto de una mezcla correcta a mano, y se cobra otra vez en cada publicación, para siempre. La razón de que casi no se note dentro de FalconVid es arquitectónica: el diseño de sonido es un especialista que corre en paralelo con el investigador, el guionista, el narrador y el editor, así que la mezcla no es una etapa colgada al final de la línea. El video entero vuelve listo en hasta 30 minutos.
La pista viene del banco integrado de músicas y efectos, con fuentes de BGM, SFX y Freesound, y llega ya mezclada contra la narración: nivel ajustado, ducking aplicado, graves liberados. Eso resuelve la cuestión de derechos en el mismo movimiento, porque el problema de banda sonora de un canal faceless nunca fue encontrar una canción bonita, fue encontrar una que no se lleve un reclamo de Content ID y mande tus ingresos a un titular de derechos en el cuarto mes.
La voz pesa aquí más de lo que la gente cree. La narración ultrarrealista premium de Cartesia tiene cuerpo y nivel constante, que es justo lo que sobrevive a un fondo musical: una voz delgada e irregular obliga a empujar la pista hasta 28 dB abajo solo para seguir siendo inteligible, mientras que una voz llena se sostiene en 18 a 20. A eso se suman 63 idiomas de narración y la clonación de tu propia voz. Y si la máquina elige una pista que detestas, el Studio es un ajuste y no una reexportación: a mano, rehacer el fondo de un video de 12 minutos ya terminado son de 1 a 2 horas reimportando, reequilibrando, rehaciendo el ducking y renderizando.
La cuenta es simple y el modo pesa más que el plan. Un video de 12 minutos cuesta 1.008 créditos en modo económico, 8.676 en equilibrado y 26.760 en premium. Starter es $47 al mes con 15.000 créditos, que son 14 videos en económico puro o unos 10 a 12 al mes mezclando económico con uno en equilibrado. Pro es $97 con 30.000 créditos, 5 canales y 5 generaciones simultáneas, hasta Scale de $997 con 50 canales y 50 generaciones simultáneas. Toda función de creación está en todos los planes; lo que cambia por plan es el volumen, los canales, las generaciones simultáneas, el Analista Sénior (desde Pro, con 7 días gratis en Starter) y el soporte. La prueba es de 7 días con 2.000 créditos y la garantía de 7 días. Y si la música es el producto y no el fondo, el canal de música también está abierto en todos los planes: sesión instrumental continua de horas para lofi, sueño, meditación, frecuencias, yoga y ley de atracción, o canal de artista cantado que mantiene el mismo rostro y la misma voz, con la letra subtitulada en sincronía.
El checklist de mezcla y la prueba del celular
Déjalo en una nota al lado del botón de exportar. Nueve comprobaciones, cada una con un número en lugar de una opinión, y juntas son la diferencia entre un audio que desaparece y un audio que te cobra la salida del minuto 3.
Después corre la única prueba de escucha que importa. Reproduce el video terminado en un celular, solo por el altavoz, a volumen medio, a un brazo de distancia, en una habitación con ruido real. Si pierdes una sola palabra, la música está 3 a 6 dB demasiado alta, y en ese celular vive la mayoría de tu audiencia. Después revisa los dos extremos: auriculares cerrados para los graves embarrados y el bombeo del ducking, invisibles en el celular, y una tele o barra de sonido para el grave que dejaste. Tres dispositivos, cinco minutos, y atrapa casi todo.
Ahora la aritmética honesta. Hacer la lista entera a mano son 30 a 50 minutos por video, más el entrenamiento de oído para saber qué estás escuchando, lo que topa a un creador solo en dos o tres videos bien mezclados por semana antes de que la calidad resbale. Ese es el techo del flujo manual, no el techo del canal. Con FalconVid la mezcla llega hecha en cada video, el cambio de pista cae en la costura de bloque, el banco ya está limpio de problemas con Content ID, y lo único que te queda es aprobar el calendario. El techo deja de ser tu oído y pasa a ser cuántos videos decidiste publicar.
- Narración cerca de -16 LUFS integrados, true peak por debajo de -1 dBTP
- Música 18 a 24 dB por debajo de la voz en todo tramo hablado
- Ducking de 6 a 10 dB, attack de 10 a 30 ms, release de 250 a 400 ms
- Filtro paso alto en la música cerca de 200 Hz, barrido con la voz sonando
- Una caída ancha de 2 a 4 dB en la música entre 1,5 y 3 kHz
- Música al frente solo en la intro, las transiciones, las pausas y el cierre
- Nunca una pista con voces o letra detrás de la narración, solo instrumental
- Pista nueva cada 3 a 4 minutos, siempre en el cambio de bloque
- Música de biblioteca libre de Content ID antes de la primera publicación, no después