VoiceStudio: clonación de voz, doblaje y transcripción en local
Proyecto de debpalash con licencia AGPL-3.0. Unas 59.000 estrellas en GitHub en octubre de 2026.
VoiceStudio se presenta como una alternativa local a ElevenLabs: una aplicación de escritorio que junta en una sola interfaz las tareas habituales de voz con IA, ejecutando los modelos en tu propio hardware. Los servicios remotos son opcionales y la analítica de uso solo se activa si das tu consentimiento.
Qué hace
Sección titulada «Qué hace»| Área | Qué incluye |
|---|---|
| Clonación de voz | Crear una voz a partir de una grabación de referencia (se recomiendan 5–15 s de voz limpia; acepta hasta 75 s) |
| Diseño de voz | Describir una voz en texto (género, edad, tono, acento) y generarla sin muestra |
| Doblaje de video | Extraer el audio, separar la voz, transcribir, traducir y sintetizar cada segmento sincronizado |
| Producción | Historias, audiolibros, colas por lotes, “recetas” reutilizables y carpetas vigiladas |
| Dictado | Un widget flotante con transcripción en vivo |
| Audio | Aislamiento de voz, diarización (quién habla cuándo) y marca de agua de IA |
| Integración | API local y servidor MCP para agentes |
El README habla de 646 idiomas, y la documentación del servidor MCP repite la cifra para la transcripción. Que un idioma esté soportado no garantiza la misma calidad en todos: en idiomas con pocos datos conviene probar antes de comprometerse.
Motores
Sección titulada «Motores»VoiceStudio no es un modelo, sino una capa sobre varios. El catálogo de la documentación lista 17 motores de síntesis y 10 de transcripción:
- Síntesis (TTS): VoiceStudio/OmniVoice (por defecto), VoxCPM2, CosyVoice 3, IndexTTS 2.5, MOSS-TTS-Nano, MOSS-TTS-v1.5 (8B), dots.tts (2B), Confucius4-TTS, GPT-SoVITS, KittenTTS, Supertonic-3, PocketTTS, Sherpa-ONNX, MLX-Audio (Kokoro, CSM, Dia…), audio.cpp y dos variantes de OmniVoice (GGUF y subproceso).
- Transcripción (ASR): WhisperX (por defecto), Faster-Whisper, MLX Whisper, PyTorch Whisper, Parakeet TDT y TDT v3, Moonshine, FunASR, Sherpa-ONNX para dictado en vivo y cualquier servidor compatible con OpenAI.
No todos clonan voces (KittenTTS y Supertonic-3 traen voces predefinidas) ni todos corren en todas las plataformas. Cada uno se instala aparte desde el gestor de modelos. VoxCPM2 tiene su propia entrada: VoxCPM.
Para el doblaje, la traducción puede hacerse con NLLB en local o con un proveedor de LLM que configures; en ese segundo caso, el texto sí sale de tu equipo.
Instalación
Sección titulada «Instalación»En macOS o Linux:
curl -fsSL https://voicestudio.sh/install | shEn Windows, desde PowerShell:
irm https://voicestudio.sh/install | iexTambién hay instaladores en Releases (.dmg, .exe, .AppImage, .deb) e imágenes Docker (ghcr.io/debpalash/voicestudio, solo linux/amd64) para servidores sin interfaz.
Desde el código fuente, con Bun:
git clone https://github.com/debpalash/VoiceStudio.gitcd VoiceStudiobun installbun run setup:apibun run devAntes de ejecutar un curl | sh de cualquier proyecto, abre el script y léelo.
Hardware
Sección titulada «Hardware»| Equipo | Soporte |
|---|---|
| GPU NVIDIA (Windows / Linux) | Aceleración CUDA |
| Apple Silicon | Aceleración Metal (MPS) |
| Sin GPU dedicada | Funciona en CPU, más lento; instala PyTorch para CPU (unos 5 GB de disco) |
| Windows en ARM | Experimental, solo CPU |
| Intel Mac | Solo la interfaz, con backend remoto |
La guía de rendimiento da pistas útiles:
- La primera generación tras arrancar siempre es la más lenta (carga de pesos y compilación de kernels); mide a partir de la segunda.
- Por defecto solo mantiene un motor TTS en memoria; en equipos de 32 GB o más se puede desactivar para cambiar de motor sin recargar.
- Durante un doblaje, mueve el modelo TTS a CPU para dejar VRAM al de transcripción.
- Si algo va muy lento, revisa en Ajustes → Rendimiento si estás en
cuda,mpsocpu: una actualización de drivers puede dejarte en CPU sin avisar.
Para agentes
Sección titulada «Para agentes»El servidor MCP se monta sobre el backend en /mcp: con la app abierta, un agente como Claude Code o Cursor puede usar herramientas como generate_speech, clone_voice, design_voice o transcribe. También se puede instalar como skill:
pnpm dlx skills add debpalash/VoiceStudiobunx skills add debpalash/VoiceStudionpx skills add debpalash/VoiceStudioCuándo conviene
Sección titulada «Cuándo conviene»- Locuciones, audiolibros o doblajes de contenido propio sin pagar por minuto.
- Transcribir grabaciones que no deben salir de tu equipo.
- Probar y comparar varios motores TTS desde una sola interfaz.
Si solo necesitas un motor concreto en un script, instalar ese modelo directamente (por ejemplo, pip install voxcpm) es más ligero que toda la app.
Consentimiento y licencias
Sección titulada «Consentimiento y licencias»El README es explícito: clona voces solo con permiso. En la práctica:
- Pide consentimiento, por escrito si el uso va a ser público o comercial.
- Marca el contenido generado como sintético; la app incluye una marca de agua de IA.
- Revisa la licencia de cada modelo en el gestor de modelos: muestra avisos por fuente, pero el propio proyecto aclara que eso no certifica el permiso comercial.
- Un doblaje de un video ajeno sigue necesitando los derechos del video original.