Blog

Guía de uso

Cómo escribir prompts para ElevenLabs Sound Effects v3: organizar la descripción de efectos de sonido con material, acción y distancia

Nov 18, 2026
Sobre un fondo de color arena cálido se disponen franjas horizontales escalonadas, superpuestas en tonos terracota y marrón tostado, como imagen de portada del blog.
En esta página

Por qué conviene dividir el prompt en material, acción y distancia

El error más común al escribir prompts de efectos de sonido es redactar una frase y enviarla tal cual: «un clic nítido». Esa frase tiene adjetivos, pero no información que el modelo pueda concretar: ¿qué material suena? ¿La acción es rápida o lenta? ¿A qué distancia está el oyente? El modelo de generación de efectos de sonido necesita completar estas dimensiones, y la forma en que las completa es incontrolable. Por eso, al ejecutar dos veces el mismo prompt se obtienen dos resultados de estilos muy distintos, y la depuración se convierte en un juego de azar.

Un enfoque más estable consiste en dividir la descripción en tres capas de información estructurada:

  • El material determina el timbre y la textura: madera, vidrio, metal, tela, agua y plástico tienen modos de resonancia y componentes de alta frecuencia diferentes. Especificar el material equivale a fijar una base para el timbre.
  • La acción determina el ritmo y la envolvente: si es un solo clic o una pulsación repetida, si se coloca suavemente o se deja caer con fuerza, si es un roce lento o un raspado rápido. Las palabras de acción determinan el ataque, la caída y la distribución de la duración del sonido.
  • La distancia determina la sensación espacial y la tendencia a la reverberación: junto al oído, a menos de un metro, al otro lado de la sala, en el exterior a lo lejos. Cuanto mayor es la distancia, más débil es el sonido directo y mayor la proporción de reverberación y bajas frecuencias, y la imaginación espacial del modelo también cambia en consecuencia.

Estas tres capas no son una plantilla que deba equilibrarse por igual, sino un marco de análisis: ante una necesidad de efecto de sonido, primero hay que determinar de qué capa depende más y luego concretar las palabras correspondientes, completando las otras dos según haga falta. Los sonidos de retroalimentación de interfaz dependen casi exclusivamente de la acción y el material; en la foley de objetos el material es el sujeto; la atmósfera ambiental se sostiene sobre la distancia y el espacio. Las secciones siguientes desarrollan cada caso.

Dentro del límite de 450 caracteres, este marco aporta además una ventaja práctica: ayuda de forma natural a controlar la densidad de información. Con una frase por capa suele bastar; si no se llena, la descripción aún no es lo bastante concreta; si se desborda, se están acumulando sinónimos.

Las tres capas de información —material, acción y distancia— forman cada una un escalón y finalmente se condensan en un prompt estructurado.

Forma de la interfaz y tres parámetros ajustables

Primero fijemos el contrato, para que lo que sigue tenga un punto de apoyo común. La interfaz de tareas actual corresponde al modelo elevenlabs/sound-effects-v3, y los campos de entrada se agrupan bajo input:

  • prompt: cadena obligatoria que describe el efecto de sonido deseado; debe abarcar acción, escena, ambiente y modo de ejecución, con un máximo de 450 caracteres.
  • duration_seconds: número obligatorio, en segundos, con un rango de 0.5 a 30 y valor predeterminado 2. No admite duración automática: debes fijar la duración de forma activa según el tipo de efecto.
  • loop: valor booleano opcional, predeterminado false, que controla si se genera un efecto de sonido reproducible en bucle sin cortes.
  • prompt_influence: número opcional, de 0 a 1, predeterminado 0.3. Cuanto menor es el valor, más aleatorio y variado; cuanto mayor, más estricto y fiel a la descripción.

De los tres parámetros opcionales o sem iopcionales, el que más se pasa por alto es el sesgo que introducen los valores predeterminados. prompt_influence vale 0.3 por defecto, lo que significa que el modelo tiene bastante libertad para «improvisar»; esto es bueno en la fase de exploración, pero se convierte en ruido cuando ya has pulido la descripción con precisión y necesitas reproducirla. duration_seconds vale 2 segundos por defecto, lo justo para un sonido de interfaz breve, pero muy insuficiente para un sonido ambiental.

Ejemplo de invocación (según la estructura input de la interfaz de tareas):

{
  "input": {
    "prompt": "wooden drawer sliding open slowly on a dry track, close perspective, slight creak",
    "duration_seconds": 3,
    "loop": false,
    "prompt_influence": 0.6
  }
}

Los campos completos y los valores de la interfaz se rigen por la página del modelo; puedes consultar los parámetros actuales y la forma de integración en ElevenLabs Sound Effects v3. Las tres secciones siguientes tratan, respectivamente, cómo escribir el prompt para cada tipo de escena y luego vuelven sobre cómo coordinar los parámetros.

Los tres elementos de entrada —el prompt, la duración y la intensidad de influencia— se expresan mediante el ancho y la convergencia de las bandas escalonadas, y se condensan en un mismo resultado de audio generado.

Sonidos de retroalimentación de interfaz: breves, secos y con la acción en primer lugar

Los sonidos de retroalimentación de interfaz son los que menos imaginación requieren de los tres tipos, y también los que más fácilmente se escriben mal. Sus requisitos son claros: breves, secos, con ataque nítido y sin colas arrastradas. Al escribir este tipo de prompts, la acción debe ir al principio de la frase, el material justo después y la distancia siempre en campo cercano.

Un esqueleto de redacción utilizable:

[acción] + [material/objeto] + [restricción de escucha]

Por ejemplo:

soft plastic button click, single press, very close, no reverb, tight transient
short glass tick, light tap, near field, clean tail
quick mechanical switch flip, small metal lever, close perspective, dry

Tres detalles merecen énfasis:

Hay que indicar si la acción es única o repetida. «click» y «rapid double click» son cosas completamente distintas en cuanto a envolvente. La mayoría de los sonidos de interfaz son de una sola vez; escribir «single press» reduce la probabilidad de que el modelo añada ritmo por su cuenta.

Usa «no reverb» y «dry» para recortar el espacio. Si un sonido de interfaz lleva una reverberación evidente, al integrarlo en la UI se oirá sucio. Usa términos de distancia como «very close» o «near field» y añade una restricción de sonido seco; normalmente esto basta para acotar mucho el resultado.

Mejor duración corta que larga. Para este tipo de efectos, duration_seconds parte de 0.5 y en torno a 1 segundo suele ser suficiente; si supera los dos segundos, pregúntate si has introducido colas que no deberían existir. Si das demasiada duración, el modelo tiende a rellenar contenido: convierte un clic limpio en una pieza ambiental.

Elegir el material es, en realidad, elegir la familia de timbres: el plástico tiende a los medios con algo de opacidad, el vidrio a los agudos nítidos, el metal al sustain y los armónicos. Con la misma acción de «clic», cambiar la palabra de material cubre la mayor parte de las necesidades de retroalimentación de interfaz. Por eso, en este tipo de escenas, el material no es un adorno, sino uno de los sujetos.

Foley de objetos: el material como sujeto

La dificultad de la foley de objetos radica en que la misma acción suena completamente distinta según el material. La palabra «golpe» no aporta por sí misma ninguna información de timbre; son «wooden crate», «ceramic mug» y «chain» quienes hablan. Por eso, la sintaxis de este tipo de prompts debe hacer del material el sujeto y de la acción y el modo de aplicación de fuerza el predicado.

Orden de redacción recomendado: material → acción/fuerza → textura adicional → distancia.

heavy ceramic mug placed on wooden tabletop, hard contact, short resonant thud, close perspective
metal chain dropped onto concrete, links colliding, bright clatter with metallic ring, one meter away
fabric curtain pulled across a metal rod, continuous friction, soft rustle with occasional ring

Algunos criterios para comprobar si la palabra de material realmente cumple su función:

  • ¿Sigue teniendo sentido si se sustituye el material? Si al cambiar la palabra de material la descripción te parece vacía, el material es de verdad el núcleo de la frase; si al cambiarlo no hay diferencia, estás escribiendo una acción genérica y el modelo solo puede adivinar.
  • ¿Conviene indicar el modo de aplicación de fuerza? «placed» (colocar) y «slammed» (estrellar) determinan la intensidad y el transitorio. Las acciones de fricción como «colliding», «scraping» o «sliding» requieren indicar si son continuas, porque la envolvente de una fricción continua es completamente distinta a la de una colisión.
  • ¿Hay que dejar resonancia? El metal, el vidrio y la cerámica tienen un retumbo reconocible; la madera es breve; la tela es casi solo ruido. Si no quieres sustain, escribe directamente «damped» o «dry» en el prompt; si lo quieres, especifica «resonant» o «ring out».

En cuanto a la duración, las colisiones suelen resolverse con 0.5 a 2 segundos, mientras que las fricciones y los movimientos de apertura y cierre deben cubrir todo el proceso y pueden necesitar de 2 a 5 segundos. No esperes que el modelo meta en 1 segundo una acción de abrir un cajón que dura tres segundos: duration_seconds es tu único medio para decirle «cuánto dura», y no se adapta automáticamente.

Las bandas escalonadas se seccionan en capas de distintos materiales: vibraciones fragmentadas de alta frecuencia en los materiales duros, oscilaciones amplias y lentas en los blandos y ondas concéntricas de un impacto puntual, lo que corresponde a cómo las palabras de material reescriben el timbre del objeto.

Atmósfera ambiental: escribir la escena con distancia y espacio

Los sonidos de atmósfera ambiental se diferencian esencialmente de los dos tipos anteriores: no describen un evento, sino un estado espacial sostenido. La envolvente de un evento tiene subida y bajada; la atmósfera debe llenar todo el tramo de duración y mantenerse estable. En este tipo de prompts, la distancia y el tipo de espacio son el esqueleto, mientras que el material y la acción pasan a un segundo plano.

Al escribir, responde primero a tres preguntas:

  1. ¿Cuál es el tipo de espacio?: una habitación pequeña interior, un vestíbulo, una calle, un bosque, un aparcamiento subterráneo, un exterior abierto.
  2. ¿Dónde están las fuentes de sonido y a qué distancia?: una única fuente continua o una superposición de varias capas a distintas distancias.
  3. ¿El estado sostenido es estable?: ¿hacen falta fluctuaciones o se busca un estado casi estacionario, similar al ruido blanco?

Trasladado a la redacción:

quiet indoor room tone, distant traffic hum through a closed window, low level, steady ambience
office background, faint keyboard taps and air conditioning drone two meters away, continuous
outdoor night field, crickets at varying distances, soft wind over grass, spacious, wide stereo image

Fíjate en expresiones como «varying distances»: producen resultados con más profundidad que una distancia única. La textura de un sonido ambiental suele provenir de las capas de cercanía y lejanía, no de un sonido destacado. Si todos los elementos del prompt están «muy cerca», el resultado se parecerá a un primer plano pegado a la cara, sin espacio.

El bucle es el punto de divergencia clave de esta sección. Los sonidos ambientales normalmente necesitan reproducirse en bucle, y la naturalidad del punto de unión depende directamente de la duración. Si loop se establece en true, debes plantearte: ¿el contenido permanece en el mismo estado durante todo el tramo de duración? Si el prompt incluye descripciones direccionales como «gradually rising wind», al volver al inicio el punto de unión quedará al descubierto. Lo prudente es mantener la atmósfera en estado estacionario y dar un duration_seconds suficientemente largo: si el tramo del bucle es demasiado corto, el punto de unión aparecerá con frecuencia; con una docena de segundos o incluso cerca del límite superior, el bucle sonará continuo.

Por el contrario, si esta atmósfera se usa en una escena de una sola vez (una transición, una cabecera), mantén loop en false, ajusta la duración a lo que pida la escena y puedes incluir con tranquilidad subidas, bajadas y cambios.

Cómo coordinar los parámetros con el prompt

El prompt y los parámetros no son dos cosas separadas; el ajuste debe seguir un orden fijo para evitar cambiar varias variables a la vez.

Primer paso: fijar duration_seconds. Es obligatorio y no automático; da primero un valor razonable según el tipo de efecto: 0.5 a 1 segundo para sonidos de interfaz, 1 a 2 segundos para foley de colisiones, 2 a 5 segundos para fricciones y aperturas/cierres, y más de diez segundos para atmósferas según la necesidad de bucle. Una vez fijado este valor, el prompt posterior organiza el contenido dentro de esa ventana temporal.

Segundo paso: fijar loop. Solo las atmósferas y algunos sonidos mecánicos continuos necesitan true; los efectos de eventos van siempre en false. Al ponerlo en true, revisa si el prompt contiene descripciones direccionales (crescendo, diminuendo, alejamiento gradual) y, si las hay, cámbialas por formulaciones estacionarias.

Tercer paso: ajustar prompt_influence. El valor predeterminado de 0.3 tiende a la divergencia y es adecuado para la fase de exploración, para ver qué ofrece el modelo. Cuando ya tienes una versión satisfactoria y quieres reproducir el mismo estilo, súbelo al rango de 0.5 a 0.8 para que la salida se acerque más al texto. A la inversa, si la descripción es demasiado concreta pero siempre resulta rígida y carece de aleatoriedad natural, puedes bajarlo un poco.

Cuarto paso: solo entonces vuelve a modificar el prompt. Si tras ajustar los parámetros sigues sin estar satisfecho, el problema está en la descripción: las palabras de material no son lo bastante concretas, o la acción no encaja con la duración (por ejemplo, una acción de apertura y cierre de tres segundos escrita como una colisión única).

Resumen de prioridades por escena: en los sonidos de retroalimentación de interfaz, prioriza un duration_seconds corto y un prompt_influence más alto (se busca una reproducción estable); en la foley de objetos, prioriza escribir bien el material, con un prompt_influence medio; en la atmósfera ambiental, prioriza una duración suficiente y un loop correcto, y puedes bajar moderadamente prompt_influence a cambio de naturalidad.

Problemas habituales en los prompts y cómo corregirlos

Los siguientes casos son los más frecuentes durante la depuración y pueden localizarse rápidamente con una autoevaluación.

Descripción vaga. El síntoma típico es que solo hay adjetivos y ningún objeto concreto: «a cool sound», «an exciting swoosh». El criterio es sencillo: ¿qué queda si eliminas los adjetivos? Si no queda nada, el modelo solo puede improvisar. La corrección consiste en completar material y acción: cambia «a cool click» por «a short glass click, single press, close».

Sobrecarga de información. En un solo prompt se meten cinco o seis elementos: material, acción, entorno, emoción, grado de reverberación y amplitud estéreo, todos escritos y además contradictorios. El resultado es que el modelo reparte la atención por igual y nada se parece a lo pedido. La corrección consiste en recortar según la escena a dos o tres capas: en los sonidos de interfaz, solo acción y material; en las atmósferas, solo espacio y distancia.

Longitud excedida. El límite de prompt es de 450 caracteres; si se supera, se truncará o fallará la validación. Acumular sinónimos es la causa principal, por ejemplo «loud, noisy, booming, thunderous», cuando en realidad solo hace falta uno. Tras escribir, haz una poda: deja un solo adjetivo sinónimo y elimina directamente los modificadores prescindibles.

Conflicto entre acción y duración. Se escribe una acción de fricción continua pero solo se dan 0.5 segundos; o se escribe una colisión única pero se dan diez segundos. En el primer caso el modelo solo puede comprimirlo en un ruido breve; en el segundo, rellenará con colas. La corrección consiste en alinear duration_seconds con la duración semántica de la acción.

Bucle inviable. Si se pone loop: true a un sonido de evento con un inicio y un final claros, el punto de unión será necesariamente brusco. El bucle solo se aplica a contenido estacionario; no lo actives en sonidos de eventos.

Mezclar plantillas de escenas distintas. Usar el «no reverb, dry» de los sonidos de interfaz para escribir una atmósfera exterior elimina la sensación espacial; usar el «spacious, distant» de las atmósferas para escribir un clic produce una masa confusa. Escribir e iterar por separado los tres tipos de escena es mucho más estable que aplicar la misma plantilla.

Trata material, acción y distancia como tres puntos de control y repásalos antes de cada envío; la mayoría de los problemas de inestabilidad se eliminan ya en la fase de redacción del prompt.

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