Doblar un clip a otro idioma en LUVI: cuatro pasos y lo que cuesta cada uno

Llevar un clip a un segundo idioma son cuatro trabajos distintos en LUVI, y solo uno sale caro. Sacas las palabras, las reescribes, haces que alguien las diga y devuelves esa voz a la boca. El 22 de septiembre de 2026 cotizamos cada paso sobre un clip real de diez segundos: la transcripción salió 4 créditos por minuto de audio, la voz arranca en 30 créditos por mil caracteres, y los dos modelos de lip-sync dieron 130 y 2200 créditos por esos mismos diez segundos. Esta es la cadena, y acá es donde se va la plata.

Paso uno: sacar las palabras

La transcripción es lo más barato de este flujo. El stt-v1 de Grok se cobra por minuto de audio, a 4 créditos el minuto, así que transcribir treinta segundos de habla cuesta 2 créditos, redondeo incluido.

El transcriptor escucha audio, no video. Su única entrada acepta solo un archivo de audio, así que lo que le das no es el clip sino su pista de sonido, como archivo MP3, WAV, OGG, AAC o M4A.

La transcripción llega a tu biblioteca como un resultado de texto y no como un archivo de audio, y conviene saberlo porque se comporta distinto de todo lo demás que generas: las transcripciones quedan deliberadamente fuera de los selectores de referencia, ya que una transcripción nunca es entrada de un modelo.

Paso dos: reescribir, no traducir

Este paso no cuesta nada y es el que más importa. Un doblaje no es una traducción con la misma cantidad de palabras: es una reescritura que tiene que caber en la boca sobre la que va a apoyarse. Lo moldean dos restricciones:

• Duración. La línea nueva tiene que durar más o menos lo mismo que la vieja, o el modelo de lip-sync se queda sin boca o sin audio. Cuenta sílabas, no palabras.
• Acento. Pon el énfasis donde ya lo pone la cara. Si las cejas suben en el tercer tiempo, la línea nueva necesita algo que valga la pena enfatizar ahí.

Lee la transcripción, escribe la línea nueva al reloj y recién entonces sigue. Este es el paso donde un doblaje se gana o se pierde, y ocurre completamente fuera de los modelos.

Paso tres: ponerle voz a la línea nueva

Cualquiera de los modelos de voz de LUVI lo hace, y la diferencia de tarifa es amplia: de 30 créditos por mil caracteres en Grok Speech hasta 300 en el nivel más nuevo de Gemini, con ElevenLabs v3 en 200. Treinta segundos de habla son unos 450 caracteres, lo que da alrededor de 14 créditos en el modelo más barato y 90 en ElevenLabs.

Haz coincidir la voz con la cara antes que con tu gusto. Un clip de una mujer de sesenta y tantos necesita una voz que pueda ser de ella; una voz que suena a veinticinco va a pelear con la imagen por bueno que sea el lip-sync.

Paso cuatro: devolver la voz a la boca

Este es el paso que define la cuenta, y los dos modelos de LUVI se llevan más de un orden de magnitud. Sobre el mismo clip de diez segundos, VEED Lipsync cotizó 130 créditos y Sync Lipsync v3 cotizó 2200. Son 13 créditos por segundo de video contra 220.

Los dos toman las mismas dos entradas —un video y un archivo de audio— y ninguno toma prompt. El modelo de VEED no tiene ningún parámetro, lo que lo convierte en el modelo más simple de manejar de todo el catálogo.

¿Cuánto cuesta todo junto?

Para un clip de treinta segundos, con la aritmética de arriba:

• Transcribir: 2 créditos
• Reescribir: gratis
• Poner voz, en el modelo más barato: unos 14 créditos
• Lip-sync en VEED: 390 créditos

Eso da alrededor de 406 créditos por un clip doblado de treinta segundos. Cambiar la voz por ElevenLabs lo lleva a unos 482. Cambiar el lip-sync por Sync Lipsync v3 lo lleva por encima de 6600, que es el número a tener en cuenta cuando decidas si este clip en particular necesita esa fidelidad extra.

Cómo lo verificamos

• Modelos: VEED Lipsync y Sync Lipsync v3, cotizados sobre un clip real de diez segundos; Grok stt-v1, Grok Speech tts-v1 y ElevenLabs v3 para las tarifas de transcripción y voz.
• Configuración: un clip de 1280×720 y diez segundos; ajustes por defecto en todos los modelos.
• Fecha y qué se leyó: 22 de septiembre de 2026. Cotizaciones de créditos en vivo y contratos de parámetros de los modelos dentro de LUVI.
• Resultados: 130 créditos en VEED Lipsync y 2200 en Sync Lipsync v3 por los mismos diez segundos; 4 créditos por minuto de transcripción; 30 y 200 créditos por mil caracteres en los dos modelos de voz nombrados. Los totales de treinta segundos de arriba son aritmética sobre esas tarifas por segundo y por carácter, no cotizaciones aparte.
• Limitaciones: no se generó ninguna salida para este artículo, así que no afirma nada sobre qué modelo de lip-sync se ve mejor, ni sobre cómo maneja cada uno un idioma cuyas formas de boca difieren del original.

En LUVI

Sube el clip y su pista de sonido como archivo de audio aparte, corre la transcripción sobre ese audio y deja el texto abierto al lado mientras escribes la línea nueva: la biblioteca muestra los resultados de texto en línea. Después genera la voz y entrega el clip y el audio nuevo al modelo de lip-sync como sus dos referencias; la guía sobre cómo usar imágenes, videos y audio de referencia cubre cómo adjuntar ambos. Si vas a hacer varios clips, el lienzo de flujos de trabajo te deja cablear los pasos una vez y correrlos por clip en lugar de repetirlos a mano.

Las cuentas nuevas arrancan con 200 créditos y pueden sumar hasta 1,500 más verificando un teléfono y una tarjeta. Puedes crear una cuenta de LUVI y probar la cadena en un clip antes de comprometer una serie entera.