Blog

Guía de uso

Guía de aceptación previa al lanzamiento de ElevenLabs Music v2: crear una tabla de escucha para las candidatas de banda sonora

Nov 18, 2026
Sobre un fondo de color carbón oscuro, una banda de luz ámbar recorre en diagonal la escena de forma horizontal, salpicada por unas cuantas líneas cortas de tono oscuro en la parte inferior; sirve como imagen de portada del artículo.
En esta página

Por qué preparar la tabla de escucha antes de que se lance el modelo

La forma más habitual de que la revisión de bandas sonoras fracase no es que el modelo sea malo, sino que no hay un criterio común. Tras el lanzamiento, cada persona se pone sus auriculares y reproduce un fragmento distinto: una escucha los primeros ocho segundos, otra escucha el bucle del estribillo, y al final la conclusión solo puede ser «suena bien» o «suena algo raro»; conclusiones que no se pueden reproducir ni rastrear.

Antes de que el modelo esté disponible oficialmente es justamente la mejor ventana para preparar los recursos de aceptación: no hay presión de entrega final ni la urgencia de «lanzar primero y ya veremos», y el equipo puede escribir con calma qué significa «utilizable» en una tabla que se pueda marcar, puntuar y comparar. Cuando el modelo esté operativo, se ejecuta directamente según la tabla y la revisión pasa de ser un debate a ser una verificación.

Conviene dejar claro el límite desde el principio: ElevenLabs Music v2 se encuentra actualmente en estado **coming soon (próximo lanzamiento)**. Este artículo no contiene ningún resultado de pruebas reales ni ofrece ejemplos de llamadas. Lo que se describe aquí es un conjunto de recursos metodológicos: cómo es la tabla de escucha, cómo registrar defectos y cómo comparar versiones. En cuanto el modelo se lance, basta con rellenar la tabla con las candidatas de audio.

Prepararlo con antelación tiene un beneficio oculto adicional: cuando las dimensiones de aceptación quedan escritas, el equipo descubre que muchas discrepancias provienen en realidad de que los escenarios no están alineados, y no de la calidad del audio en sí. Cuanto antes se descubra esto, mejor.

El flujo sobre la banda de luz: primero se prepara la tabla de escucha, la posición del modelo se deja temporalmente vacía y después se avanza hacia la primera revisión.

Definir primero los escenarios de uso de la banda sonora y las dimensiones de aceptación

La granularidad del objeto de aceptación debe coincidir con la del producto final, y no con la de «escuchar un fragmento de música por separado para ver si es agradable». Se recomienda muestrear por capas según el uso real en el producto final:

  • Cabecera/apertura: los primeros segundos deben sostenerse; hay que fijarse en si el inicio es claro y si hay una introducción inútil.
  • Fondo musical: escucha prolongada con baja atención; hay que fijarse en si es agradable de escuchar durante mucho tiempo y si tapa la voz o la narración.
  • Transición/cambio de sección: hay que ver si la conexión emocional es natural y si la transición se completa en la duración especificada.
  • Fragmento en bucle: hay que ver si el principio y el final se empalman sin costuras y si, tras varios bucles, aparece una sensación evidente de repetición mecánica.

Cada escenario se concreta después en dimensiones observables, evitando palabras como «suena bien» o «de nivel»:

  • Integridad estructural: si hay un planteamiento, desarrollo, clímax y desenlace reconocibles, o si todo es un desarrollo uniforme de principio a fin.
  • Empalme del bucle: si al volver del último fotograma al primero hay chasquidos, cortes o desajustes rítmicos.
  • Rango dinámico: si el contraste entre fuerte y suave se mantiene en un intervalo razonable y si la compresión es excesiva.
  • Consistencia de estilo: si la sensación auditiva real se ajusta al estilo y a la instrumentación descritos en el prompt.
  • Densidad utilizable: qué proporción del tiempo total corresponde a fragmentos válidos que puedan usarse directamente en el producto final.

Las dimensiones deben mantenerse entre cinco y siete: con demasiadas, los revisores no terminan de rellenar; con demasiado pocas, no se distingue dónde está el problema. Cada dimensión necesita una descripción de criterio: qué se considera aprobado y qué se considera defecto, definido por escrito de antemano.

Estructura de la tabla de escucha: campos y criterios de puntuación

Lo esencial de la tabla de escucha no es que «se vea bien», sino que distintos revisores rellenen resultados comparables para el mismo fragmento de audio. Los campos pueden agruparse en cuatro bloques:

Campos de localización

Escenario (cabecera/fondo/transición/bucle), número de candidata, duración y fecha de generación. Estas columnas responden a «para qué posición se preparó este fragmento de audio».

Campos de entrada

Texto original del prompt (registrado palabra por palabra, sin reescribir) y criterios de los parámetros clave (duración, descripción del estilo, etc.). El prompt debe guardarse tal cual; cualquier abreviatura hará que la reproducción posterior falle.

Campos de puntuación

Cada dimensión de aceptación usa una escala uniforme de tres niveles, por ejemplo «aprobado / justo / no aprobado», y permite una nota. Tres niveles son más estables que cinco o que una escala de diez, y las valoraciones de los revisores se alinean con más facilidad; cuanto más fina es la puntuación, mayor es el ruido subjetivo.

Campos de conclusión

Etiqueta de defecto (elegida de una lista predefinida, sin improvisar) + una frase explicativa + recomendación de tratamiento de esa candidata (conservar / rehacer / descartar).

Dos detalles prácticos:

  1. Una fila por candidata; no se deben meter varias candidatas en una misma fila, de lo contrario no se puede comparar entre versiones.
  2. Reservar en la tabla una columna de «reevaluación» para registrar si en la segunda ronda cambia el juicio; que un juicio se invierta es en sí mismo un dato valioso, pues indica que alguna dimensión está mal definida.

Los criterios de puntuación deben quedar claros en el encabezado: con qué equipo se escucha, cuántas veces se escucha y si se permite pausar. Estas convenciones, en apariencia triviales, determinan si los datos sirven o no.

Estructura de la tabla de escucha: escenario, candidata, dimensiones de puntuación y conclusión forman grupos de columnas; la zona barrida por la banda de luz indica que los revisores deben alinearse con el mismo criterio.

Registro de defectos: hacer que los problemas sean reproducibles y clasificables

Un registro de defecto que no se puede reproducir equivale a no haberlo registrado. El conjunto mínimo de información debe incluir cuatro elementos:

  • Texto original del prompt: completo, sin pulir, incluida la puntuación.
  • Criterios de los parámetros: duración y ajustes de estilo de esta generación, descritos con claridad en texto, sin un vago «predeterminado».
  • Condiciones de revisión: auriculares o altavoces, rango de volumen y si se reproduce en bucle.
  • Descripción del fenómeno: en qué momento, qué se escucha y qué se esperaba.

La descripción del fenómeno debe evitar la acumulación de adjetivos. «Hacia el segundo 12 los graves se adelgazan de repente y no coinciden con la primera mitad» es utilizable; «la calidad de audio es algo mala» no lo es.

Se recomienda clasificar los defectos según la atribución de la causa, y no según la sensación auditiva:

Estructurales

Falta de secciones, transiciones bruscas, final truncado, punto de bucle desajustado. Este tipo de problemas suele estar relacionado con los requisitos de duración y estructura.

De consistencia

Deriva de estilo, cambios repentinos de instrumentación, diferencias excesivas entre varias generaciones con el mismo prompt.

De mezcla

Desequilibrio de volumen, dinámica excesivamente comprimida, voz o narración tapadas.

De usabilidad

Proporción general de material utilizable demasiado baja; muchos fragmentos no pueden entrar directamente en el producto final.

Se deben predefinir entre cinco y ocho etiquetas por categoría, y los revisores deben elegir de la lista, sin inventar términos sobre la marcha. Solo cuando la lista de términos se estabiliza se puede hacer estadística con la base de defectos y responder a «qué proporción representa este tipo de problema».

Comparación de versiones: cambiar solo una variable

El error más frecuente al comparar versiones es mezclar las diferencias del modelo con las diferencias del prompt. Por ejemplo, en la primera ronda se usa un prompt corto, en la segunda se cambia a un prompt largo y además se cambia la duración, y la conclusión es «la nueva versión es mejor»; metodológicamente, esa conclusión no es válida.

Tres reglas para controlar las variables:

Mismo prompt, misma duración

Al comparar los resultados de dos rondas, el texto original del prompt y la duración deben ser exactamente iguales. Si hay que cambiar el prompt, hay que registrar ese cambio como un grupo de experimentos aparte y no mezclarlo con la comparación de versiones en la misma tabla.

Escucha a ciegas

Los revisores no deben saber de antemano qué candidata pertenece a qué versión, pues las expectativas contaminan el juicio. Los números de candidata se asignan al azar y solo el organizador conoce la información de versiones.

Orden aleatorio

El orden de escucha de un mismo lote de candidatas debe barajarse para evitar efectos de posición como «lo que se escucha primero suena mejor». Se vuelve a barajar antes de cada ronda de revisión.

El resultado de la comparación no es «A es mejor que B», sino diferencias por dimensión: si disminuyen los defectos estructurales, si mejora el empalme del bucle, si cambia la densidad utilizable. Solo al concretarse en dimensiones la diferencia puede orientar el siguiente paso: ajustar la estrategia de prompts o esperar a que itere el modelo.

Si los resultados de las dos rondas tienen victorias y derrotas mutuas en varias dimensiones, no se debe forzar una ordenación por puntuación total. Registrar «en qué escenario es más adecuada cada una» es más útil que una puntuación total.

Proceso de revisión y salidas de la conclusión

La revisión debe tener personas, rondas y una salida; de lo contrario se prolonga indefinidamente.

Quién revisa

Al menos dos tipos de roles: usuarios (quienes editan y musicalizan realmente) y responsables de control (quienes responden de la calidad del producto final). Los usuarios juzgan la densidad utilizable; los responsables de control juzgan el límite inferior. No se recomienda que participe todo el equipo: cuantas más personas, más disperso es el criterio.

Cuántas rondas

Dos rondas son suficientes. En la primera se rellena la tabla de forma independiente, sin discusión; en la segunda solo se reevalúan las candidatas cuya valoración fue discrepante en la primera ronda, pues la discrepancia es en sí misma una dimensión cuya definición hay que aclarar. Superar las dos rondas suele indicar que las dimensiones no están bien definidas; volver a modificar la tabla es más eficaz que seguir en reuniones.

Salidas de la conclusión

Cada candidata y cada escenario deben llegar a una de tres conclusiones:

  • Utilizable: puede entrar directamente en el producto final; la etiqueta de defecto está vacía o solo queda una nota de nivel de registro.
  • Utilizable con condiciones: utilizable en escenarios específicos, o que requiere un recorte o empalme manual leve; deben especificarse las condiciones.
  • No utilizable: las dimensiones principales no se aprueban, o el defecto no puede corregirse en posproducción.

«Suena bien» no pertenece a ninguna categoría y debe ubicarse en una. Las acciones posteriores correspondientes a las tres conclusiones también deben acordarse de antemano: lo utilizable entra en la biblioteca de material, lo utilizable con condiciones lleva una nota de tratamiento y lo no utilizable entra en la base de defectos como muestra de regresión.

Por último, hay que dar a la aceptación global un cierre por escrito: qué escenarios ya cumplen el criterio, qué escenarios siguen teniendo defectos sistemáticos y en qué hay que fijarse especialmente en la siguiente ronda de aceptación. Este párrafo es más importante que cualquier puntuación.

Cómo reutilizar estos recursos de aceptación tras el lanzamiento

Una vez que el modelo esté disponible oficialmente, estos recursos no se archivan, sino que pasan a funcionar de forma continua:

  • La tabla de escucha se convierte en el formulario fijo cada vez que se integra una nueva estrategia de prompts o una nueva versión; los campos no cambian, solo se sustituyen las candidatas.
  • La base de defectos se convierte en un conjunto de muestras de regresión; en cada iteración se ejecutan primero estas muestras para ver si reaparecen los problemas antiguos.
  • Las definiciones de dimensiones se revisan en pequeños pasos conforme cambia el negocio, pero las revisiones deben conservar un número de versión; de lo contrario, los datos históricos no serán comparables.

Una práctica pragmática: guardar la tabla de escucha, la lista de términos de defectos y los registros de reevaluación en un mismo lugar, de modo que, cuando se incorpore alguien nuevo, primero lea el encabezado y después escuche las muestras; esto es mucho más rápido que transmitir oralmente los criterios de revisión.

El estado concreto del lanzamiento y la información de integración de ElevenLabs Music v2 deben consultarse en la página del modelo; cuando el modelo esté disponible, basta con rellenar el primer lote de candidatas de audio según la tabla anterior y el proceso de aceptación quedará validado.

Artículos relacionados

Ver todos los artículos →

Empieza a crear con artefactos de IA persistentes

Consigue tu API key y llama a modelos de imagen, vídeo y audio a través de una única API basada en tasks.

Leer la documentación de la API