Agregar audio a un video desde tu navegador

El video y el audio los procesa tu propio navegador, no un servidor remoto, así que no se sube nada a Sonata AI. Lo único que se descarga es el motor de procesamiento: unos 30 MB de WebAssembly que se obtienen una vez desde un CDN público y luego quedan guardados en la caché del navegador.

Reemplazar elimina por completo el sonido original y deja solo la nueva pista, ideal para clips de IA sin audio o tomas muy ruidosas. Mezclar conserva lo que grabó la cámara y suma la nueva pista encima, de modo que voces, risas o el ambiente se siguen oyendo bajo la música.

Cada fuente tiene su propio nivel. Con 100 % no cambia nada; por debajo, el sonido pasa a segundo plano; por encima, una grabación demasiado baja gana presencia. Poder moverlos por separado es lo que permite que una voz y una canción convivan sin pisarse.

El archivo final dura exactamente lo mismo que el video. Una canción más larga se corta donde termina la imagen. Un jingle corto puede repetirse hasta el último fotograma o dejar de sonar; a partir de ahí queda silencio en el modo reemplazar, o solo el sonido original en el modo mezclar.

Si el video es H.264 dentro de un MP4 o MOV, los fotogramas se copian tal cual y solo se reconstruye el audio. Es más rápido y no se pierde calidad. Los archivos WebM y otros códecs se convierten a H.264, y eso lleva más tiempo.

Cortar la música en seco en el último fotograma suena brusco, sobre todo si cae en mitad del estribillo. Activa el fundido de salida opcional y el audio se irá apagando al final del clip en lugar de detenerse de golpe.

No hay que registrarse ni gastar créditos, y el MP4 que descargas no lleva ningún logotipo. Una barra de progreso muestra cómo va el proceso, y puedes cancelarlo en cualquier momento si notas un ajuste equivocado.

Los modelos de texto a video y de imagen a video suelen entregar clips mudos. Ponle música o una frase de voz en off debajo y estará listo para una publicación o una presentación, sin abrir un programa de edición completo.

Graba primero la pantalla y después la narración por separado, cuando ya sepas exactamente qué decir. El modo reemplazar pone tu voz sobre la captura; el modo mezclar deja los clics y los avisos del sistema muy suaves de fondo.

El viento, el tráfico o una multitud ruidosa pueden arruinar unas imágenes que por lo demás están bien. Reemplaza el ruido por música, o mezcla con el original muy bajo para conservar algo del ambiente.

Una música de fondo breve le da ritmo a una demo o a un adelanto. Mantenla baja si una voz explica el producto y usa el fundido para que el clip termine limpio y no a mitad de compás.

Agrega una narración grabada como nota de voz M4A a un video exportado desde una app de presentaciones de fotos, y comparte un MP4 normal que tu familia podrá abrir sin programas especiales.

Si grabaste una narración traducida, reemplaza la voz original con ella y conserva un archivo por idioma, todos con exactamente la misma imagen.

Si en el clip alguien habla, deja el original cerca del 100 % y baja bastante la nueva pista; entre una cuarta parte y la mitad del nivel es un buen punto de partida. Luego ajusta hasta que cada palabra se entienda sin esfuerzo.

El techo de 200 % sirve para rescatar una grabación de celular muy baja, pero una pista que ya suena fuerte puede distorsionar si la subes más. Si oyes chasquidos en los picos, baja ese control en lugar de subir el otro.

Una canción algo más larga que el video, junto con el fundido, da el final más limpio. El bucle funciona mejor con material pensado para repetirse, como fondos ambientales o ritmos sencillos; una canción con intro y cierre marcados dejará oír la costura.

Muchos videos generados con IA y grabaciones de pantalla no tienen sonido, o solo un leve siseo. Reemplazar te deja empezar de cero; con mezclar, ese siseo seguiría sonando debajo de tu música.

Si tu celular o tu editor ofrecen exportar en MP4 H.264, elige esa opción. Así la herramienta copia la imagen sin recodificar: queda idéntica y el proceso termina antes. Cualquier otro formato tiene que recodificarse primero.

Revisa el resultado con audífonos y con el altavoz de un celular. Un volumen de música perfecto en unos puede tapar la voz en el otro, y es justo en esos altavoces pequeños donde se ve la mayoría de los videos cortos.