Texto a voz con IA: los modelos open source comparados (y cuál usar en castellano)

¿Qué es el texto a voz con IA y qué ha cambiado?

Un modelo de texto a voz (TTS, por sus siglas en inglés) recibe un texto y devuelve audio hablado. Los de antes leían sílaba a sílaba y se notaba; los modelos neuronales actuales aprenden de miles de horas de voz real y reproducen pausas, énfasis y entonación, así que el resultado suena a alguien hablando, no a una máquina leyendo.

Hay dos formas de usarlos. Con voces predefinidas, eliges una voz del catálogo del modelo y le pides el tono. Con clonación, le das una muestra corta de una voz y el modelo habla con ese timbre cualquier texto nuevo. Lo segundo es lo que ha cambiado el mercado: hace falta una muestra de segundos, no horas de grabación en estudio.

Que el modelo sea open source significa que sus pesos se pueden descargar y ejecutar en tu propia GPU. También puedes llamarlo por API y pagar por uso; el modelo es el mismo, cambia quién se ocupa de las máquinas.

Los modelos open source de texto a voz que hablan castellano

Estos son cuatro modelos abiertos conocidos con castellano entre sus idiomas, con lo que dice la ficha oficial de cada uno:

Datos de las fichas oficiales, consultadas el 9 de noviembre de 2026. Fuentes: huggingface.co/Qwen/Qwen3-TTS-12Hz-1.7B-Base, huggingface.co/Qwen/Qwen3-TTS-12Hz-1.7B-CustomVoice, huggingface.co/ResembleAI/chatterbox, huggingface.co/hexgrad/Kokoro-82M/blob/main/VOICES.md, huggingface.co/coqui/XTTS-v2

Qwen3-TTS es una familia: la ficha de Alibaba publica también una variante VoiceDesign, que crea una voz a partir de una descripción en texto. Sus diez idiomas son chino, inglés, japonés, coreano, alemán, francés, ruso, portugués, castellano e italiano.

Chatterbox, de Resemble AI, es el que más idiomas cubre de los cuatro y añade a todo el audio que genera una marca de agua imperceptible (PerTh) que, según su ficha, sobrevive a la compresión MP3.

Kokoro es el más pequeño, con 82 millones de parámetros, y no clona. Tiene tres voces en castellano (dora, alex y santa), y su propia lista de voces avisa de que el soporte de idiomas distintos del inglés puede ser escaso o faltar por falta de datos de entrenamiento.

La licencia: lo que decide si puedes usarlo en tu negocio

Es la columna que más se olvida y la que más problemas da. Qwen3-TTS y Kokoro son Apache 2.0, y Chatterbox es MIT: las tres permiten uso comercial, modificar el modelo y ajustarlo, manteniendo los avisos de licencia.

XTTS-v2 es otra historia. Su licencia, la Coqui Public Model License, solo autoriza usos no comerciales, y define no comercial como aquel por el que no recibes ningún pago directo ni indirecto derivado del uso del modelo. Excluye expresamente las actividades que generan ingresos, incluso los proyectos financiados directamente con subvenciones públicas. Una empresa puede probarlo y evaluarlo, pero no meterlo en un producto.

Y hay una segunda licencia que no está en ninguna ficha: la de la voz. Si clonas la voz de una persona, necesitas su permiso, sea tu locutor, un empleado o tú mismo en nombre de tu empresa. El modelo no lo comprueba; la responsabilidad es de quien lo usa.

Datos de las fichas oficiales, consultadas el 9 de noviembre de 2026. Fuentes: huggingface.co/coqui/XTTS-v2/blob/main/LICENSE.txt, huggingface.co/ResembleAI/chatterbox

¿Voces listas o clonar una voz?

Depende de para qué sea la voz. Si buscas una voz correcta y constante para avisos, una centralita, un asistente o la lectura en voz alta de una web, las voces listas son lo más rápido: eliges una y la usas siempre. Qwen3-TTS CustomVoice tiene nueve (Vivian, Serena, Uncle_Fu, Dylan, Eric, Ryan, Aiden, Ono_Anna y Sohee); cada una tiene un idioma nativo, pero todas hablan los diez idiomas del modelo, y puedes describir el tono que quieres en lenguaje llano: tranquila, alegre, seria.

Si la voz es parte de tu marca (la de tu locutor, la de tu podcast, la del fundador que presenta los vídeos), clona. Con Qwen3-TTS Base le das una muestra de voz clara y su transcripción literal, y el modelo lee cualquier texto con ese timbre. Cuanto más limpia la muestra, mejor el resultado: sin música de fondo, sin eco y con una sola persona hablando.

Una regla práctica: empieza con una voz lista para validar el producto y pasa a clonar cuando la voz tenga que ser reconocible.

¿Qué tal suenan en castellano?

Aquí conviene ser honestos: ninguna de las fichas que hemos consultado publica una medición de calidad en castellano. La de Qwen3-TTS mide sus resultados en chino e inglés, y la de Kokoro avisa de que fuera del inglés el soporte puede ser escaso. La única forma seria de elegir es escuchar.

Prepara diez frases de tu caso real y pásalas por los candidatos: un aviso con una fecha, un importe con decimales, una dirección con abreviaturas, un nombre propio extranjero y una pregunta. Ahí es donde se separan los modelos. Un truco útil con cualquiera de ellos: escribe las cifras y las abreviaturas como quieres que se lean («tres euros con cincuenta», «calle Mayor»), en vez de esperar a que el modelo adivine.

Cómo funciona esto en GPU Flow

Servimos Qwen3-TTS en sus dos variantes, voces listas y clonación, con la misma llamada a /v1/audio/speech que la API de OpenAI: si tu código ya genera voz con OpenAI, cambias la URL base, la clave y el nombre del modelo. Se paga por millón de caracteres del texto de entrada, en euros y con IVA incluido. Estos son los precios de hoy:

# Voz lista, con el tono descrito en "instructions"
curl https://api.gpuflow.ai/v1/audio/speech \
  -H "Authorization: Bearer $GPUFLOW_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{ "model": "qwen3-tts-customvoice",
        "input": "Hola, gracias por llamar. ¿En qué te ayudo?",
        "voice": "Ryan",
        "instructions": "tono tranquilo y cercano" }' --output voz.wav

# Tu propia voz: una muestra de 1 a 30 segundos y su transcripción literal
curl https://api.gpuflow.ai/v1/audio/speech \
  -H "Authorization: Bearer $GPUFLOW_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{ "model": "qwen3-tts-base",
        "input": "Hola, gracias por llamar. ¿En qué te ayudo?",
        "ref_audio": "https://example.com/muestra.wav",
        "ref_text": "transcripción literal de la muestra" }' --output voz.wav

Fichas de los modelos: Qwen3-TTS Base (clone), Qwen3-TTS CustomVoice

Un millón de caracteres son unas 16 horas de voz, o un audiolibro de unas 170.000 palabras, desde 5,00 €. Para clonar, la muestra va en ref_audio (entre 1 y 30 segundos) y su transcripción en ref_text, que no se cobra: solo pagas los caracteres de input.

El texto, la muestra y el audio generado se procesan en memoria y vuelven en la misma llamada: no los guardamos, y nada de lo que envías se usa para entrenar ningún modelo. El audio sale en wav por defecto, o en mp3, flac, pcm, aac u opus.

Las cuentas nuevas tienen 5 € de saldo de bienvenida, que dan para unos 1.000.000 caracteres de voz: suficiente para probar las dos variantes con tus propios textos. Hace falta tarjeta para darte de alta, y cuando se acaba el saldo la API devuelve un error en vez de cobrarte.

Relacionados

• Mejores LLM open source en 2026 para empresas: ALIA, Qwen, GLM, Gemma y NemotronALIA, la IA pública española, frente a Qwen3.8, GLM 5.3, Gemma 4 y Nemotron: licencia, idiomas, contexto, benchmarks oficiales y precio por millón de tokens.
• Alternativa a la API de OpenAI: GPU Flow frente a OpenAIPrecios por millón de tokens, audio, migración y cuándo quedarse en OpenAI, con sus precios consultados en su web.