Cómo hacer un vídeo con imágenes y voz en off, paso a paso

Para hacer un vídeo con imágenes y voz se escribe primero el guion, se graba la voz en off (la tuya o una de IA), se parte el texto en escenas cortas, se pone una imagen en cada escena con la duración exacta de su trozo de voz y se le da movimiento. Después se añaden los subtítulos y se exporta en MP4 horizontal. El orden importa: si la voz va primero, las imágenes se ajustan a ella y no al revés.

Primero el guion, pensado para el oído

Un vídeo de imágenes y voz se sostiene en la narración: si el texto no se entiende escuchado, ninguna imagen lo arregla. Escríbelo para que suene bien en voz alta, con frases cortas y una idea por frase. Léelo en voz alta antes de grabar y corta lo que te haga tropezar.

Al escribirlo, piensa ya en imágenes. Cada dos o tres frases cambia lo que se ve, así que conviene que el texto tenga cosas que se puedan mostrar: un lugar, un objeto, un gesto, un dato. Las frases abstractas largas («la importancia de la innovación en el contexto actual») son difíciles de ilustrar. Si es tu primer guion, tienes el proceso en cómo escribir un guion para YouTube.

La voz en off: tu voz o una de IA

Hay dos caminos y los dos valen:

• Grabar tu voz. Le da personalidad al canal. Con un micrófono decente, una habitación sin eco (las cortinas, los muebles y las alfombras ayudan) y el texto delante, se consigue un resultado limpio. Graba por bloques o por frases: es más fácil repetir una frase que un párrafo.
• Una voz generada con IA. Pegas el guion en una herramienta de texto a voz, eliges la voz y descargas el audio. Es rápido y constante, pero escucha el resultado entero: los nombres propios, las siglas y las cifras son donde más tropieza.

Si dudas entre las dos, en voz en off con IA o tu propia voz tienes los criterios para decidir. Sea cual sea, guarda la voz por escenas o marca dónde empieza cada una: te ahorrará trabajo al montar.

Partir en escenas y elegir una imagen para cada una

Una escena es un trozo de narración con una sola imagen. Una referencia práctica: frases agrupadas hasta unas veinte palabras, que a ritmo de narración tranquila son unos ocho o nueve segundos. Menos se hace frenético; mucho más, y la imagen se queda quieta demasiado tiempo.

Para cada escena, apunta qué se ve. Por ejemplo, en un vídeo sobre una receta tradicional:

Narración	Imagen	Movimiento
«La receta llegó al pueblo con los pastores que bajaban del monte en invierno.»	Pastores con su rebaño bajando por un camino nevado.	Desplazamiento lateral
«Se hacía en una sola olla de barro, al fuego de la chimenea.»	Olla de barro sobre las brasas de una chimenea.	Acercamiento lento
«Tres ingredientes: patata, pimentón y paciencia.»	Rótulo con los tres ingredientes.	Fijo

Las imágenes pueden ser fotos propias, recursos con licencia o imágenes generadas con IA. Si vienen de fuera, comprueba su licencia y anótala (en fotos sin derechos de autor para vídeos está cómo). Si las generas, cuida que todas compartan estilo.

Sincronizar: la voz marca el tiempo

La regla que más tiempo ahorra: cada imagen dura exactamente lo que dura su trozo de voz. Si montas al revés (primero las imágenes con una duración fija y luego la voz encima), acabarás estirando y recortando todo.

1. Coloca la voz completa en la línea de tiempo de tu editor, o los audios de cada escena uno tras otro.
2. Marca dónde empieza cada escena en la onda del audio: las pausas entre frases se ven como tramos planos.
3. Pon cada imagen de un corte al siguiente. Así la imagen cambia justo cuando cambia lo que se cuenta.
4. Deja respirar los finales. Medio segundo de margen al final de una sección ayuda a que el espectador asimile antes de pasar a la siguiente.

Si grabas por escenas, todo es más fácil: cada audio trae su duración y solo tienes que poner la imagen con ese mismo largo.

Movimiento, subtítulos y exportación

Movimiento. Una imagen quieta durante ocho segundos se nota. Un acercamiento lento o un desplazamiento suave la hacen pasar por plano de cámara; lo explicamos en el efecto Ken Burns. Reserva el plano fijo para rótulos y gráficos que hay que leer.

Subtítulos. Como el guion ya está escrito, tienes el texto exacto de lo que se dice. YouTube permite dar ese texto para que lo sincronice con el vídeo: en Subtítulos, eliges Sincronización automática e introduces el texto del vídeo o subes un archivo de transcripción, que debe estar en un idioma compatible con la tecnología de reconocimiento de voz de YouTube y en el mismo idioma que se habla en el vídeo.

Exportación. La configuración de subida recomendada por YouTube es un MP4 con vídeo H.264 y audio AAC-LC, Opus o Eclipsa Audio a 48 kHz. La relación de aspecto estándar de YouTube en ordenadores es 16:9, así que exporta en horizontal salvo que estés haciendo Shorts. Y no cambies la frecuencia de imagen al exportar: YouTube pide codificar y subir con la misma frecuencia de imagen con la que se grabó, y cita como más comunes 24, 25, 30, 48, 50 y 60 fotogramas por segundo.

Cómo lo hace el Estudio de Canales

El Estudio de Canales funciona mejor con vídeos narrados con imágenes, y sigue este mismo orden:

• Escenas desde el guion aprobado. El troceo en escenas no usa IA: la narración de las escenas es, palabra por palabra, el guion aprobado. Agrupa frases hasta unas 22 palabras por escena.
• La voz, escena a escena. Voz con IA, eligiendo entre varios modelos y locutores, o tu propia voz: subes la grabación de cada escena (WAV, MP3, M4A, OGG o WEBM) o la grabas en el navegador con un teleprompter.
• La voz marca el tiempo. Al llegar la voz de una escena, su duración pasa a ser la del audio real, no la estimada por palabras.
• Una imagen por escena, generada con IA o tuya, con su licencia y su procedencia anotadas, y un movimiento: Ken Burns, desplazamiento, zoom o fijo.
• Montaje en la nube con tu aprobación. Una persona aprueba cada escena; después sale una vista previa a 1280×720 y, cuando la apruebas, el máster a 1920×1080 y 30 fotogramas por segundo, en MP4 con H.264 y audio AAC estéreo a 48 kHz.
• Subtítulos del guion. El paquete para subir lleva un .srt sacado del guion aprobado y de la duración real del audio de cada escena.

Lo que no hace: no pone música de fondo (el audio del vídeo es la voz de las escenas), no añade transiciones entre escenas (pasa de una a otra con corte directo), no genera clips de vídeo con IA y no publica el vídeo: lo descargas en el paquete y lo subes tú en YouTube Studio. Hoy produce vídeo horizontal 16:9, no Shorts.

Fuentes consultadas

Comprobadas el 11 de octubre de 2026. Enlazamos la fuente original para que puedas consultar el texto vigente.

• Añadir subtítulos. Google · Ayuda de YouTube.
• Configuración de codificación de subidas recomendada. Google · Ayuda de YouTube.