Guías sobre modelos de voz con IA de código abierto y populares, y cómo probar capacidades comparables en Echora.
Qwen3-TTS (Qwen-TTS) es el TTS open source de Alibaba con 97ms de latencia, clonación de voz con 3 segundos de audio y diseño de voces a partir de texto, compatible con 10 idiomas y disponible para probar gratis.
IndexTTS 2 es el primer TTS autorregresivo con control de duración a nivel de milisegundos y separación entre emoción y timbre, creado específicamente para sincronizar el doblaje audiovisual.
IndexTTS es un TTS open source de Bilibili con corrección de pronunciación mediante pinyin y control de pausas mediante puntuación, que supera a XTTS y F5-TTS en precisión.
CosyVoice3 cubre 9 idiomas y más de 18 dialectos chinos, añade inpainting de pronunciación y supera a modelos más grandes como F5-TTS en benchmarks de precisión de clonación.
CosyVoice2 transmite voz con 150ms de latencia hasta el primer paquete, reduce los errores de pronunciación un 30–50% frente a CosyVoice y añade control de emoción y acento mediante instrucciones.
CosyVoice es el TTS open source de Alibaba FunAudioLLM que usa tokens semánticos supervisados para la clonación de voz zero-shot en 5 idiomas, con solo 300M de parámetros.
Kokoro-82M es un modelo TTS con licencia Apache-2.0, 54 voces en 8 idiomas y funcionamiento rápido en CPU sin necesidad de GPU. Gratis, de código abierto y fácil de alojar por cuenta propia.
Chatterbox Multilingual clona una voz con 5–10 s de audio y la hace hablar en 23 idiomas manteniendo el acento y el timbre. Código abierto y licencia MIT.
Chatterbox Turbo destila la generación TTS de 10 pasos a 1 y reduce la latencia a menos de 150 ms para agentes de voz en tiempo real. Rápido, de código abierto y con licencia MIT.
Chatterbox es el modelo TTS de código abierto de Resemble AI con clonación de voz zero-shot, control emocional y marca de agua integrada. Descubre cómo se compara con ElevenLabs.
Dia2 es la evolución con streaming de Dia TTS desarrollada por Nari Labs: genera diálogos con varios hablantes en tiempo real y mantiene una voz consistente para cada uno mientras recibe el texto. Descubre cómo funciona.
Dia 1.6B, el modelo de voz de código abierto de Nari Labs, genera diálogos con múltiples hablantes, emoción real, risas y suspiros en una sola pasada. Pruébalo gratis en línea.
