Un bloguero dobló GTA V al ruso con Claude Code por $60: 250 mil líneas de diálogo

Traducir al ruso un juego entero, con 260 mil archivos de audio, solía ser trabajo de un estudio con presupuesto. Ilya, bloguero y fundador de ArtGeneration.me, que según cuenta no es desarrollador sino product manager con 20 años de experiencia, lo hizo solo en diez días. Claude Code escribió el código; él fijaba las tareas y comprobaba el resultado. El balance: 250 364 líneas en ruso, casi 219 horas de voz contando las repeticiones, dos variantes a elegir (voz en off sobre el original atenuado y doblaje completo) y unos $60 de síntesis. El propio autor aclara con honestidad que esto no compite con actores de verdad.

Cómo presupuestar cuando no hay datos

Primer problema: nadie sabía cuánto audio tiene GTA V. Existe una charla de Rockstar en la GDC 2014 que habla de casi 160 mil líneas y un mapa de fans con 156 mil clips, pero no hay cifras de horas en ningún sitio, y la síntesis se paga por duración del audio. Claude Code escribió en C# un programa sobre el CodeWalker de código abierto. Recorre todos los archivos y lee de la cabecera de cada flujo el número de muestras y la frecuencia, de modo que la duración se calcula sin reconocimiento de voz. Encontró más de 260 mil flujos.

Después había que averiguar quién dice qué. Los subtítulos del juego se guardan bajo hashes, no bajo nombres. El autor aprovechó una propiedad del hash joaat: la mezcla final se puede deshacer, añadir la letra A y calcular el hash del archivo de audio de la misma cadena. Así se enlazó el 75% de los flujos de la historia. Al hablante lo delata la animación labial dentro del flujo: en su ruta figura el personaje. En las cinemáticas no hay nada así; allí ayudaron las wikis y el modelo WeSpeaker.

El flujo de trabajo: la nube solo para la síntesis

Regla del proyecto: en la nube solo van la síntesis y los agentes de Claude; todo lo demás se ejecuta en local, en una RTX 4090. Para la síntesis se eligió Gemini 3.8 Flash-Lite TTS en modo por lotes, a unos 27 centavos por hora de voz terminada. El autor descartó los modelos con clonación de voz: la voz se parece, pero la interpretación queda fuera de lugar, con pausas de más. Las pruebas de estilos («aterrado, la voz tiembla») sobre 120 clips mejoraron solo una de cada cinco líneas, y la voz masculina se iba a falsete, así que la entonación se dejó sin instrucciones.

Donde no hay subtítulos (transeúntes, radio, walkie-talkie y unas 11 mil líneas de la historia), el texto lo reconoció Whisper large-v3. El modelo se inventa palabras sobre el silencio, escribe créditos ajenos sobre los gemidos y transcribe en hangul el inglés de los mafiosos coreanos. Por eso, primero un script heurístico marca las frases sospechosas y después Parakeet TDT da una segunda opinión. Si oyó al menos un tercio de las mismas palabras, es voz; si no oyó nada, es una invención.

El género de la voz lo comprobó ECAPA-TDNN: 77 aciertos de 80 con hablantes conocidos. El campo de género del catálogo de Google, según el autor, miente, así que cada voz se prueba con tres líneas y solo se usa si los dos modelos coinciden.

Trampas y dinero

Los fallos de síntesis los detecta un detector sin redes neuronales. Compara la duración del audio con el texto, busca repeticiones en el mapa de similitud del audio consigo mismo, y también saturación y silbidos. Recorre toda la historia en 4 segundos. Las tomas sospechosas se reconocen de nuevo con ambos modelos y se envían a resintetizar.

También hubo errores caros. Cuando falla la conexión, el SDK de Google reintenta y cuenta cada reintento como un lote nuevo; con una VPN deficiente la historia puede pagarse dos veces, así que se desactivaron los reintentos automáticos. El filtro de Google se negaba a vocalizar las líneas con la palabra «малышка» («nena») cerca de una escena de sexo, al interpretarla como una referencia a menores, aunque en GTA así se llama a un coche. Un único agente traductor que lee las líneas contiguas se desempeñó mejor que varios ayudantes en paralelo.

La instalación también está cuidada. Editar los archivos directamente provoca el error Corrupt game data, y el autor no quería distribuir 10 GB de archivos ajenos. Usó la carpeta mods con RageOpenV y Ultimate ASI Loader, y el instalador reconstruye los archivos en el ordenador del jugador a partir de sus propios ficheros. Los originales no se tocan y el mod se elimina borrando una carpeta.

Para quien trabaja en esto, la economía es simple. Traducir el juego entero salió más barato que una copia del propio juego, pero desde el 1 de enero de 2027 Google duplicará la tarifa, hasta unos 54 centavos por hora. De ahí se desprenden dos conclusiones. La síntesis por lotes barata y un agente ponen la localización masiva al alcance de una sola persona. Y el grueso del trabajo pasa a la verificación: el género de la voz, las alucinaciones del reconocimiento y las tomas repetidas hay que detectarlos de forma automática; de lo contrario, habrá que cazarlos de oído.

Las limitaciones también están claras. Es un mod aficionado para la versión Enhanced, la calidad de la síntesis no sustituye a los actores, y el texto traducido por el agente igualmente hay que revisarlo: «I'm cold» fácilmente puede acabar siendo «я пас».