Los modelos locales de texto a voz (TTS) generan voz en tu propio dispositivo después de descargar sus pesos. Esto puede mantener el texto en el equipo, permitir el uso sin conexión y evitar el cobro por carácter de un servicio, pero debes contar con hardware adecuado y revisar la licencia del modelo. Las principales opciones de 2026 ofrecen distintas ventajas y desventajas: los modelos pequeños son más fáciles de ejecutar, mientras que la clonación, el habla multilingüe y los controles detallados de interpretación pueden exigir más recursos o imponer condiciones adicionales.
Esta comparación se centra en opciones con fortalezas claramente diferenciadas: Kokoro-82M, Supertonic 3, Chatterbox, Qwen3-TTS, Pocket TTS y Piper, además de opciones especializadas para diálogo, emoción y una amplia cobertura de idiomas. La comparación de tarjetas de modelos y repositorios de Yaps, revisada el 10 de octubre de 2026, aporta los principales detalles para la selección. Las páginas de los proyectos Chatterbox, Qwen3-TTS y Pocket TTS añaden información sobre sus capacidades actuales y el contexto de implementación. La calidad del modelo sigue dependiendo del texto, la voz y el hardware; las clasificaciones de los benchmarks por sí solas no determinan qué resultado es adecuado para un proyecto concreto.
Criterios para elegir un modelo local de TTS
- Idioma y calidad de voz: Comprueba la compatibilidad con el idioma y la variedad que necesitas, no solo la cantidad de idiomas anunciada. Un modelo puede incluir muchos idiomas y, aun así, ofrecer sus mejores voces en inglés, o disponer de modelos específicos para ciertos idiomas.
- Hardware y velocidad: Los modelos pequeños compatibles con CPU se adaptan con mayor facilidad a portátiles, teléfonos y sistemas de bajo consumo. Los modelos más grandes pueden necesitar una GPU. Las cifras de rendimiento de distintos dispositivos no son directamente comparables, así que prueba el hardware en el que realmente vas a implementarlos.
- Clonación y control: Algunos modelos usan una grabación de referencia para reproducir una voz; otros ofrecen voces predefinidas, etiquetas de emoción o instrucciones de interpretación en lenguaje natural. Son capacidades distintas. La clonación también requiere consentimiento y un manejo cuidadoso del audio de referencia.
- Licencia y estado del proyecto: Revisa por separado los términos de los pesos, el código, los archivos de voz y cualquier modelo base. Que se permita el uso comercial no significa que todos los usos estén libres de restricciones. El estado de mantenimiento de un repositorio también importa si necesitas correcciones futuras.
- Integración: Considera si puedes trabajar con Python y entornos de ejecución de modelos, o si necesitas una aplicación de escritorio empaquetada, una herramienta de línea de comandos, implementación móvil o un flujo de trabajo en el navegador.
Tabla comparativa
| Opción | Ideal para | Idiomas y capacidades | Requisitos de hardware | Licencia y principal limitación |
|---|---|---|---|---|
| Kokoro-82M | Voz natural en inglés en un modelo compacto | Ocho idiomas indicados; sin clonación | CPU o GPU | Apache 2.0; menor cobertura de otros idiomas |
| Supertonic 3 | Implementaciones multilingües pequeñas | 31 idiomas; etiquetas de expresión; sin clonación | Diseñado para ejecutarse en CPU | OpenRAIL-M, con restricciones de uso; repositorio archivado |
| Chatterbox | Voz expresiva y clonación de voz | Turbo es para inglés; Multilingual V3 admite 23 idiomas | GPU o Apple MPS para las variantes más grandes; Nano está pensado para CPU | MIT; el audio generado incluye una marca de agua |
| Qwen3-TTS | Interpretación guiada por instrucciones y clonación | 10 idiomas; voces predefinidas, diseño de voz y clonación | Modelos más grandes; los ejemplos de los autores están pensados para CUDA | Apache 2.0; comprueba las exigencias de hardware y la configuración base |
| Pocket TTS | Voz en CPU y clonación ligera | Modelos multilingües y clonación a partir de audio de referencia | Enfocado en CPU; dos núcleos de CPU en el uso reportado | CC BY 4.0, con requisitos de atribución y condiciones de uso prohibido |
| Piper | Sistemas integrados y asistentes domésticos | 44 variantes de idioma y región; sin clonación | CPU y dispositivos pequeños | Motor GPL-3.0; los datos de voz tienen licencias independientes |
| Dia / Dia2 | Diálogo guionizado entre dos hablantes | Inglés; etiquetas de hablante y clonación con indicación de audio | Orientado a GPU; Dia2 tiene checkpoints de streaming | Apache 2.0 |
| IndexTTS-2.5 | Control detallado de la emoción | Cinco idiomas; vectores de emoción, descripciones y clips de referencia | Orientado a GPU | El uso comercial requiere un acuerdo con bilibili |
| Fish Audio S2 Pro | Amplia cobertura de idiomas y etiquetas expresivas | Más de 80 idiomas; clonación y etiquetas de formato libre | Modelo grande de 5B; la tarjeta indica una NVIDIA H200 | Licencia de investigación; el uso comercial requiere una licencia aparte |
Cuándo elegir cada opción
Kokoro-82M: un punto de partida práctico centrado en inglés
Elige Kokoro si quieres un modelo pequeño para narración en inglés, lectura de pantalla u otros usos habituales de voz, y no necesitas clonación de voz. Sus 82 millones de parámetros lo convierten en una opción relativamente modesta, y su licencia Apache 2.0 permite el uso comercial. La salvedad es la calidad en otros idiomas: su tarjeta indica ocho idiomas, pero la selección de voces es mucho más amplia para inglés que para varios de los demás. Prueba el idioma y la voz específicos en vez de considerar la cantidad de idiomas una garantía de calidad.
La comparación de Yaps de octubre de 2026 sitúa a Kokoro cerca de Chatterbox en TTS Arena, pero eso no determina cuál suena mejor con tu material. Compara los resultados con el mismo pasaje exigente —nombres, abreviaturas, números y oraciones de distintas longitudes—.
Supertonic 3: voz multilingüe sin GPU
Elige Supertonic 3 cuando la ejecución en CPU y una amplia cobertura de idiomas sean más importantes que la clonación o el desarrollo continuo del repositorio. Sus aproximadamente 99 millones de parámetros cubren 31 idiomas y está documentado que el modelo funciona en CPU. También admite etiquetas de expresión insertadas en el texto. Los términos OpenRAIL-M del modelo incluyen restricciones de uso, así que la disponibilidad para uso comercial no debe confundirse con permiso para utilizarlo en cualquier situación. Supertone archivó el repositorio abierto en septiembre de 2026; los pesos y el paquete siguen disponibles para descargar, pero el proyecto anunció que el desarrollo y el soporte habían terminado.
Esto lo convierte en una buena opción para una implementación fija en la que los idiomas y el comportamiento admitidos satisfagan tus necesidades. Para un producto de larga duración, evalúa si puedes mantener la integración por tu cuenta.
Chatterbox: clonación y voz expresiva en inglés, con variantes multilingües
Elige Chatterbox cuando la clonación a partir de audio de referencia o la voz expresiva sean fundamentales. Turbo es un modelo en inglés de 350 millones de parámetros con etiquetas como [laugh]; el proyecto Chatterbox documenta un modelo Multilingual V3 de 500 millones de parámetros compatible con 23 idiomas. El proyecto describe V3 como su opción multilingüe de propósito general recomendada, con mayor similitud de hablante y menos continuaciones no deseadas que las versiones anteriores. Para una implementación limitada a CPU, Chatterbox-Nano es la opción más pequeña, con 110 millones de parámetros; su página informa que la inferencia en CPU funciona a tres veces la velocidad en tiempo real con ocho núcleos de CPU.
La familia se distribuye bajo la licencia MIT, pero los detalles de implementación siguen siendo importantes: el proyecto indica que el audio generado incluye la marca de agua PerTh de Resemble AI. No confundas las afirmaciones de latencia de un servicio alojado con el rendimiento de un modelo ejecutado localmente. Si necesitas clonación multilingüe, compara también los resultados en cada idioma y comprueba si el modelo multilingüe general alcanza el nivel de calidad que necesitas.
Qwen3-TTS: dirige la interpretación con instrucciones
Elige Qwen3-TTS si quieres describir la interpretación con palabras, por ejemplo, con un tono tranquilo o serio, en vez de depender únicamente de voces fijas o etiquetas. El informe técnico del equipo de Qwen describe la clonación de voz a partir de tres segundos de audio, el control basado en descripciones, la síntesis en streaming y la compatibilidad con 10 idiomas. El informe indica que los modelos y tokenizers se distribuyen bajo Apache 2.0.
Exige más recursos que las opciones más pequeñas: los tamaños de modelo disponibles son de 0.6B y 1.7B parámetros, y los ejemplos de implementación están pensados para CUDA. El resultado de baja latencia del informe describe la capacidad del sistema, no garantiza el mismo rendimiento en cualquier ordenador local. Elígelo cuando el control justifique la configuración adicional y las pruebas de hardware.
Pocket TTS: inferencia en CPU, clonación y modelos pequeños
Elige Pocket TTS si quieres evitar depender de una GPU. Kyutai describe un modelo de aproximadamente 100 millones de parámetros que usa dos núcleos de CPU y admite clonación de voz a partir de audio de referencia. Su repositorio informa de un rendimiento de aproximadamente seis veces el tiempo real en la CPU de un MacBook Air M4, pero la velocidad real depende de la máquina y de la carga de trabajo. El proyecto también ofrece interfaces de línea de comandos y Python, además de binarios independientes que no necesitan Python ni PyTorch.
La actualización del repositorio de octubre de 2026 añade modelos más pequeños en inglés, incluida una opción de 1.9 millones de parámetros, y señala que los modelos pequeños pueden alcanzar hasta 25 veces el tiempo real en un solo hilo de CPU. Son modelos en inglés, no un sustituto de las opciones de idiomas del modelo más amplio. Hay una discrepancia en las listas de idiomas: Yaps atribuye a Pocket seis idiomas, mientras que el repositorio actual de Kyutai enumera neerlandés además de inglés, francés, alemán, portugués, italiano y español. Comprueba la versión y la configuración específicas que piensas utilizar. Los términos CC BY 4.0 de Pocket exigen atribución e incluyen condiciones sobre usos prohibidos.
Piper: sistemas pequeños, con especial atención a las licencias
Elige Piper cuando el objetivo sea un dispositivo de bajo consumo, una configuración de asistente doméstico o un idioma que no admita tu modelo nuevo preferido. Su lista de voces cubre 44 variantes de idioma y región. La desventaja es que las voces pueden sonar más anticuadas y el motor y los datos de voz no comparten una misma licencia. El repositorio actual del motor usa GPL-3.0, mientras que los datos de cada voz tienen sus propios términos; el proyecto describe su uso previsto como personal y para investigación de texto a voz. Revisa la licencia de la voz específica antes de distribuir un producto.
Opciones especializadas: Dia, IndexTTS y Fish Audio S2 Pro
Elige Dia o Dia2 para diálogos en inglés escritos como intervenciones alternadas de distintos hablantes. Dia usa etiquetas como [S1] y [S2], mientras que Dia2 añade checkpoints de streaming. Los modelos pueden usar una indicación de audio para definir la voz, pero Dia está orientado a GPU y solo admite inglés. Sus licencias Apache 2.0 hacen que valga la pena probarlos cuando la estructura del diálogo es más importante que la amplitud de idiomas.
Elige IndexTTS-2.5 cuando necesites definir deliberadamente la emoción de cada línea mediante un vector de emoción, una descripción escrita o un clip de referencia. Admite cinco idiomas, pero su licencia indica a los usuarios comerciales que se pongan en contacto con bilibili. Elige Fish Audio S2 Pro para proyectos de investigación o personales en los que sean valiosos los más de 80 idiomas y las etiquetas de formato libre. Su tamaño de 5B y su licencia de investigación lo hacen una opción poco adecuada por defecto para una implementación comercial pequeña; el uso comercial requiere una licencia aparte.
Una guía sencilla para decidir
- Para voz compacta en inglés, empieza con Kokoro.
- Para muchos idiomas en CPU, prueba Supertonic 3; considera Piper si la compatibilidad con sistemas integrados o su lista de idiomas es prioritaria.
- Para clonación, compara Chatterbox, Qwen3-TTS y Pocket TTS según tu hardware, los idiomas y tus requisitos de consentimiento.
- Para una interpretación guiada por instrucciones, prueba Qwen3-TTS; para controlar la emoción o crear diálogos guionizados, evalúa IndexTTS o Dia, respectivamente.
- Antes de publicar, verifica las licencias de los pesos del modelo, el código y los recursos de voz, y prueba el resultado en el equipo donde realmente lo implementarás.
El TTS local traslada el trabajo de un servicio externo a tu propio sistema: ganas funcionamiento sin conexión y control sobre dónde se procesa el texto, pero asumes la responsabilidad de la instalación, el rendimiento y las licencias. Una breve prueba de escucha a ciegas con tus guiones reales resulta más útil que elegir solo por el tamaño del modelo o su posición en una clasificación.
Fuentes: Yaps, GitHub, arXiv / Qwen Team, GitHub