Graba, tararea o sube una línea vocal en el navegador, elige un instrumento y obtén una pista descargable. El acceso funciona con créditos mensuales, cinco créditos por conversión.
¿Has usado esta herramienta? Valórala
¿Has usado esta herramienta? Valórala
Servicio de audio con IA que funciona en el navegador y reconstruye como interpretación instrumental una grabación vocal cantada, tarareada o subida. Según la descripción publicada, el modelo extrae de la voz melodía, altura, ritmo y matices, y genera una pista completamente nueva con el timbre y la textura del instrumento elegido, de modo que el resultado sigue la línea vocal nota a nota. No hay nada que instalar y la primera conversión puede probarse sin crear una cuenta.
El conversor forma parte de un conjunto de audio con IA más amplio en el mismo dominio: generación musical, escritura de canciones y letras, versiones, separación de pistas, eliminación de voz, karaoke, efectos de sonido, masterización y análisis. Esa amplitud pesa al valorar los planes: un único saldo de créditos se consume entre todas esas herramientas en lugar de reservarse a la conversión instrumental.
Conviene señalar una salvedad desde el principio: las páginas públicas se contradicen en dos cifras que condicionan una decisión de compra, cuántos instrumentos existen y qué tamaño máximo admite una subida. Ambas contradicciones quedan documentadas más abajo y explican por qué varios datos aparecen como horquilla entre páginas.
El comportamiento declarado es sustitución de timbre, no generación de acompañamiento: cada nota, ritmo y matiz se conservan, y solo el timbre vocal cede su lugar al de un instrumento. Los modelos se describen como redes neuronales entrenadas con miles de horas de interpretaciones reales, capaces de captar la resonancia, el ataque y la caída de cada instrumento.
Las guías por instrumento profundizan en la correspondencia expresiva. La página de guitarra describe la extracción de altura como el aislamiento de la señal vocal del ruido de fondo y la identificación de cada nota cantada, incluidos bendings, vibrato y glissandos: un deslizamiento vocal se convierte en un slide o un hammer-on, y el vibrato de la voz pasa a ser vibrato de cuerda. Ese modelo se describe como entrenado con grabaciones profesionales de guitarra de rock, blues, jazz y clásica.
La página de inicio, el conversor y las preguntas frecuentes anuncian más de cien modelos y citan guitarra acústica y eléctrica, piano de cola, violín, violonchelo, flauta, saxofón, trompeta, clarinete, batería, bajo, ukelele, arpa y sintetizadores, con una biblioteca que crece cada mes. La página de precios describe el mismo producto como acceso a más de trece modelos con IA. El pie de página publica exactamente trece páginas de instrumentos — piano, guitarra, violín, saxofón, batería, flauta, violonchelo, trompeta, bajo, clarinete, piano eléctrico, vibráfono y oboe — y la extensión asociada enumera esos mismos trece.
La grabación se realiza con el micrófono del navegador, o se arrastra un archivo al conversor. La conversión termina entre treinta y sesenta segundos en la mayoría de los trabajos, con un tiempo que depende de la duración del fragmento y de la carga de los servidores; los de menos de treinta segundos son los más rápidos, y en otro apartado se anuncia conversión por lotes sin esperas intermedias. El audio final se descarga en WAV sin pérdida o MP3 comprimido, y también figuran OGG y FLAC.
Las pistas generadas se abren automáticamente en el Estudio completo, donde ocurre el trabajo multipista. El acceso al Estudio se incluye en todos los planes de pago, pero la exportación de la mezcla multipista queda fuera del plan de entrada y aparece desde el nivel intermedio. El plan de entrada agrupa además generación de música y versiones, descarga en alta definición y un asistente llamado Lumi.
Las indicaciones de grabación son inusualmente concretas y constituyen lo más parecido a un compromiso de calidad aquí. Una grabación clara de una sola voz sin ruido de fondo da la mejor conversión; conviene tararear a volumen constante, evitar el susurro y el grito, porque los matices extremos reducen la precisión, y trabajar en una habitación silenciosa a unos quince centímetros del micrófono. Las grabaciones de teléfono y las notas de voz bastan para la mayoría de instrumentos, y lo que se suba debe ser voz seca, sin acompañamiento ni reverberación.
Una grabación se sube una vez y luego se convierte tantas veces como se quiera contra instrumentos distintos. El procedimiento documentado consiste en tararear cada parte por separado, convertir esas tomas en pistas de guitarra, piano, bajo y batería, y superponerlas en un arreglo completo. Como cada conversión cuesta cinco créditos, el gasto crece con el número de partes y de pruebas de timbre, no con la duración de la sesión.
El uso documentado con mayor concreción es la escucha comparada en preproducción: una pista vocal de trabajo se convierte en versiones de piano, cuerdas, metales y sintetizador colocadas una junto a otra, para elegir dirección antes de fijar el arreglo. En publicación de vídeo, el argumento es que las pistas construidas con la propia voz evitan avisos de derechos de autor, reclamaciones de identificación de contenido y costes de licencia.
La producción de pódcast gira en torno a sintonías, transiciones y colchones de ambiente: unas melodías tarareadas se convierten en piano cálido o guitarra suave. En docencia, el alumno canta al micrófono y escucha la misma melodía como violín, flauta o piano, lo que convierte la comparación de timbres en ejercicio en directo. A quienes desarrollan juegos y aplicaciones se les propone tararear un tema y convertirlo a instrumentos orquestales o sintetizadores, sin contratar a alguien que componga.
El producto se dirige a quienes pueden sostener una melodía con la voz aunque no toquen un instrumento. El único requisito declarado es saber tararear o cantar; no se consideran necesarios conocimientos de teoría musical ni de producción, y entre los usuarios se citan compositores, creadores de contenido y aficionados sin formación musical formal. Los grupos citados son compositores y autores, creadores de YouTube y TikTok, productores musicales, creadores de pódcast, docentes de música y desarrolladores de juegos.
El encaje es más débil en tres situaciones que se desprenden del comportamiento documentado. Quien necesite notas editables en lugar de audio terminado quedará mal servido: la salida es audio renderizado y no hay exportación a MIDI publicada. Quien parta de una mezcla polifónica completa trabajará en contra de las indicaciones de entrada, que piden una voz seca y única. Y cualquier flujo que exija fijar por escrito las condiciones de propiedad choca con el vacío de licencia descrito en las limitaciones: una ficha de directorio de terceros —promocional, no independiente— señala los usos sensibles a derechos como el caso en que copyright, propiedad y datos deben estar claros de antemano.
El servicio funciona solo en el navegador. Se ejecuta enteramente en un navegador web en cualquier dispositivo, sin software que instalar ni complementos necesarios, y conversor, Estudio e historial de creaciones son páginas web. No se publica ninguna aplicación de escritorio, aplicación móvil, complemento para estaciones de audio ni interfaz de programación pública.
Una extensión de Chrome complementaria se distribuye en la Chrome Web Store bajo el nombre de editor voicetoinstrument.com. Es un lanzador, no una herramienta de procesamiento: entrada de menú contextual sobre cualquier audio o vídeo, ventana en la barra de herramientas con las páginas de instrumentos y el atajo Alt+Shift+V, en macOS Option+Shift+V, mientras la conversión sigue ocurriendo en el sitio web. Su ficha indica que solo solicita el permiso contextMenus y que no lee el contenido de las páginas, no inyecta scripts, no rastrea la navegación, no hace peticiones de red en segundo plano ni recoge datos, y que el código fuente se publica con licencia MIT. La adopción es pequeña — cincuenta y nueve usuarios y dos valoraciones — de modo que la puntuación de cinco estrellas se apoya en una muestra muy por debajo de lo que la haría una señal de calidad.
Esa misma ficha revela la tecnología subyacente: la aplicación web admite generación musical basada en MiniMax y conversión de voz a instrumento de Kits AI. El dato importa para calibrar expectativas, porque los límites de un motor licenciado no coinciden necesariamente con el discurso comercial del sitio que lo integra.
El acceso se basa en créditos. Se publican tres niveles de suscripción, cada uno con precio mensual y una tarifa mensual efectiva más baja al facturar anualmente, y el selector anual se etiqueta con un ahorro del quince por ciento. Junto a las opciones mensual y anual figura el pago por uso.
| Plan | Mensual | Anual (al mes) | Créditos al mes | Contenidos destacados |
|---|---|---|---|---|
| Starter | 19,9 $ | 14,9 $ | 100 | Estudio multipista, más de 13 modelos de instrumentos, generación de música y versiones, descarga HD, asistente Lumi |
| Creator | 49,9 $ | 39,9 $ | 350 | Todo lo de Starter, más exportación de mezcla multipista y soporte por correo; crédito anunciado un 28 % más barato |
| Pro | 99,9 $ | 79,9 $ | 1.000 | Todo lo de Creator, más soporte prioritario y acceso anticipado a novedades; crédito anunciado un 50 % más barato |
Dos detalles deciden si estas cifras encajan con una carga concreta. Los créditos se renuevan cada mes y la suscripción puede cancelarse en cualquier momento, pero la página de precios nunca indica cuánto cuesta una conversión: esa cifra solo aparece en el conversor, donde un trabajo se tarifa en cinco créditos. Sobre esa base, el plan de entrada cubre unas veinte conversiones al mes y, dado que los mismos créditos alimentan las demás herramientas, la cifra real baja en cuanto se usa más de una. Una ficha de directorio de terceros, promocional, señaló ese vacío: el sitio no explica el consumo exacto de créditos por trabajo.
Kits AI ocupa una posición singular: la ficha de la extensión lo señala como el motor de conversión detrás de este producto y a la vez puede comprarse directamente. Su página de instrumentos documenta el mismo recorrido — elegir un modelo, subir audio o grabar con micrófono, recibir pistas instrumentales — y pide de forma explícita un archivo vocal monofónico y nítido. Su formulación de licencia es más directa que la publicada aquí: mientras el audio convertido sea tuyo, los resultados están libres de derechos. Allí los planes de pago arrancan en 14,99 $ al mes.
Basic Pitch, de Spotify, responde a otra pregunta. Es un conversor de audio a MIDI gratuito y de código abierto, con detección de variaciones de altura, que permite grabar una frase tarareada o soltar la grabación de un instrumento solo y descargar el MIDI para corregirlo en una estación de audio. Donde este producto devuelve audio terminado, Basic Pitch devuelve notas editables sin timbre: la elección adecuada cuando la melodía aún necesita retoques.
El número de instrumentos aparece como más de cien en la página de inicio, el conversor y las preguntas frecuentes, y como más de trece en la de precios; las trece páginas de instrumentos y los trece citados por la extensión coinciden con la cifra menor. El límite de subida está igual de dividido: el conversor acepta WAV, MP3, OGG, WebM y FLAC hasta cincuenta megabytes, las preguntas frecuentes indican MP3, WAV, FLAC, OGG y M4A hasta veinte, y algunas herramientas del mismo sitio publican un techo de diez. Una ficha de directorio de terceros coincide sobre el número de instrumentos. Añade que faltan datos públicos sobre formatos, duración de entrada y calidad de audio, lo que ya no encaja con esas páginas: observación anterior, y el directorio admite que su contenido sale de páginas públicas y puede estar caducado. Mientras las páginas no coincidan, tomar la cifra menor de cada par es la hipótesis más segura.
Las preguntas frecuentes responden afirmativamente al uso comercial: las pistas generadas a partir de grabaciones vocales propias se califican de libres de derechos y utilizables en canciones, vídeos, pódcast, publicidad y música para cine sin licencia adicional, y la página de inicio luce una insignia en ese sentido. Las condiciones del servicio, del 24 de octubre de 2025, no contienen una cesión equivalente: la sección de propiedad intelectual cubre plantillas, código, infraestructura y documentación de la plataforma y señala que los usuarios conservan la propiedad de sus implementaciones, pero ninguna cláusula atribuye derechos sobre el audio generado. Para cualquier uso con implicaciones contractuales, la respuesta comercial y el documento vinculante no dicen lo mismo.
Las condiciones establecen que todas las compras son definitivas y no reembolsables salvo que la ley exija otra cosa, que los precios pueden cambiar con aviso y que el acceso puede terminarse o suspenderse a discreción del proveedor sin previo aviso. El servicio se presta «tal cual» y «según disponibilidad», sin garantía de exactitud, fiabilidad o disponibilidad, y las disputas van a arbitraje vinculante. Con la renovación mensual de créditos, un saldo sin usar no tiene vía de reembolso.
Las preguntas frecuentes afirman que las grabaciones vocales se procesan en los servidores del proveedor y se eliminan de forma permanente al terminar la conversión, que el audio subido no se almacena, comparte ni reutiliza, y que las pistas generadas siguen descargables veinticuatro horas. La política de privacidad, también del 24 de octubre de 2025, no recoge nada de eso. Enumera cinco grupos de datos recabados — información de cuenta, detalles de uso, información del dispositivo, cookies e información de pago y facturación — y describe cifrado y controles de acceso, admitiendo que ningún método de almacenamiento es completamente seguro. No incluye plazo de conservación, procedimiento de borrado ni apartado sobre derechos respecto al audio subido, de modo que el compromiso de borrado vive en una respuesta de preguntas frecuentes y no en el documento vinculante. Se permite compartir con socios de confianza sujetos a acuerdos de confidencialidad, y por motivos legales o de seguridad.
Las indicaciones de grabación funcionan en la práctica como una limitación: se declara que los matices vocales extremos reducen la precisión, y la entrada solicitada es una voz seca y única, sin acompañamiento, reverberación ni ruido de sala. Una mezcla completa, una toma ruidosa o una interpretación susurrada quedan fuera de aquello para lo que está ajustado el proceso documentado. Al no existir exportación a MIDI publicada, corregir implica volver a grabar y convertir, y cada intento gasta créditos.
Las páginas discrepan. Las superficies comerciales anuncian más de cien modelos mientras la de precios ofrece más de trece, y tanto las trece páginas de instrumentos como los trece listados por la extensión coinciden con la cifra menor. Planifica con los instrumentos que puedes ver listados.
El conversor acepta WAV, MP3, OGG, WebM y FLAC hasta cincuenta megabytes; las preguntas frecuentes indican MP3, WAV, FLAC, OGG y M4A hasta veinte. Mantenerse por debajo de veinte en un formato presente en ambas listas evita la discrepancia.
El conversor muestra cinco créditos por trabajo de voz a instrumento y el saldo restante antes de ejecutarlo. La página de precios no publica esa cifra: calcula el presupuesto desde la pantalla del conversor, no desde las tarjetas de planes.
Las preguntas frecuentes responden que sí y describen resultados libres de derechos para canciones, vídeos, pódcast, publicidad y música para cine sin licencia adicional. Las condiciones del servicio no contienen cláusula alguna que conceda derechos sobre el audio generado, así que un flujo que exija condiciones escritas debería resolverlo antes con el proveedor.
Las preguntas frecuentes señalan que las grabaciones se eliminan de forma permanente al terminar la conversión y que las pistas siguen disponibles veinticuatro horas. La política de privacidad no publica plazo de conservación, procedimiento de borrado ni apartado sobre el ciclo de vida del audio, así que ese compromiso no se refleja en el documento vinculante.
Una habitación silenciosa, una sola voz, unos quince centímetros del micrófono y un volumen constante y cómodo. Tanto el susurro como el grito se señalan como factores que reducen la precisión, y lo que se suba debe ser seco: sin acompañamiento, reverberación ni ruido de sala.
