VoiceStudio — clonación, transcripción y doblaje de voz en local
VoiceStudio es un estudio de voz con inteligencia artificial que se ejecuta en el propio equipo. Reúne clonación y diseño de voces, texto a voz, transcripción, dictado, doblaje de video y producción de audiolibros en una sola aplicación.
Su propuesta es local-first: no exige cuenta, API key, suscripción ni pago por carácter para usar la aplicación local. Los proyectos, las muestras y los resultados permanecen en el equipo, aunque la primera instalación y la descarga de modelos sí necesitan internet.
Funcionalidad principal
Sección titulada «Funcionalidad principal»| Función | Qué resuelve |
|---|---|
| Clonación de voz | Genera una voz a partir de una muestra de audio corta |
| Diseño de voz | Crea voces mediante indicaciones de edad, acento, tono y estilo |
| Texto a voz | Convierte guiones en audio con distintos motores, voces e idiomas |
| Transcripción y dictado | Convierte audio o voz en directo a texto y subtítulos |
| Doblaje de video | Transcribe, traduce, separa hablantes, sintetiza voces y exporta el resultado |
| Audiolibros | Importa EPUB o PDF, asigna voces y genera capítulos o un archivo .m4b |
| API local | Integra síntesis y transcripción mediante una API compatible con OpenAI |
El catálogo reúne 646 idiomas entre todos los motores disponibles. Esto no significa que cada motor admita todos los idiomas ni que la calidad sea idéntica: conviene elegir el modelo según el idioma, la licencia, la memoria disponible y si se necesita clonación.
Instalación
Sección titulada «Instalación»La forma recomendada es entrar en la página oficial de descargas y elegir el paquete estable para el sistema operativo. Las versiones publicadas también están disponibles en GitHub Releases.
| Plataforma | Distribución oficial | Requisito principal |
|---|---|---|
| Windows | Instalador MSI | Windows 10 u 11 de 64 bits |
| macOS | Imagen DMG | macOS 13.3 o posterior; Apple Silicon para backend local |
| Linux | AppImage | x86_64 con glibc 2.39 o posterior |
| Docker | Interfaz web y API en el puerto 3900 | CPU, CUDA o ROCm según la imagen elegida |
En el primer inicio, VoiceStudio crea su entorno de Python y descarga el modelo predeterminado. Es normal que tarde y consuma varios gigabytes; las siguientes ejecuciones reutilizan esos archivos.
El repositorio está en beta activa y su rama principal puede ser inestable. Para uso cotidiano es mejor instalar la última versión estable que ejecutar directamente el código de desarrollo.
Hardware
Sección titulada «Hardware»Como referencia, el proyecto recomienda 16 GB de RAM o más y alrededor de 10 GB de espacio para empezar. Una GPU es opcional: con CPU funciona, pero la generación tarda más; una GPU con al menos 4 GB de VRAM puede acelerar algunos motores. Instalar más modelos aumenta el espacio necesario.
Flujo básico para clonar una voz
Sección titulada «Flujo básico para clonar una voz»- Abre la herramienta de clonación y añade una muestra limpia, sin música, eco ni varias personas hablando.
- Usa entre 5 y 15 segundos como punto de partida; una muestra de tres segundos puede funcionar, pero ofrece menos contexto.
- Escribe una frase corta, selecciona el idioma y el motor, y genera una prueba.
- Revisa pronunciación, ritmo, similitud y artefactos antes de procesar un guion largo.
Una grabación más larga no siempre produce una voz mejor. La limpieza del audio, un volumen estable y una interpretación parecida al resultado buscado suelen importar más.
Privacidad y licencias
Sección titulada «Privacidad y licencias»El procesamiento principal puede hacerse en local, pero local no siempre significa sin red: los modelos se descargan de internet y funciones opcionales como trabajadores remotos o backends externos pueden enviar audio al servicio configurado. Antes de trabajar con material sensible, revisa qué motor y endpoint están activos.
La aplicación usa la licencia AGPL-3.0, pero cada modelo conserva su propia licencia. La licencia del programa no concede automáticamente permiso comercial sobre todos los pesos o voces; antes de publicar o monetizar un resultado hay que revisar los términos del motor elegido.
Uso responsable
Sección titulada «Uso responsable»Clona una voz únicamente con autorización verificable de la persona y para el propósito acordado. Las muestras y los perfiles de voz deben tratarse como datos sensibles; limita su acceso, informa cuando una pieza pueda confundirse con una grabación real y elimina el material cuando deje de ser necesario.
Cuándo encaja
Sección titulada «Cuándo encaja»- Encaja si necesitas mantener el audio en tu equipo, comparar varios motores o automatizar TTS y transcripción con una API local.
- Encaja si produces suficiente contenido como para preferir administrar modelos y hardware en vez de pagar por uso.
- No encaja si buscas resultados inmediatos sin descargar modelos, tienes poco disco o memoria, o necesitas soporte comercial con SLA.
VoiceStudio también ofrece servicios Pro y Cloud separados. No son necesarios para ejecutar la edición abierta en local, pero pueden tener condiciones y precios diferentes.