12 de noviembre de 2026 · Equipo de VRAMfarm

Texto a voz en tu propia GPU: Qwen3-TTS, VoxCPM2 y clonación de voz con Chatterbox

Un curso de formación de 40 minutos necesita locutor, en inglés y en alemán, para el viernes. En una tarjeta de 12 GB alquilada y con un modelo de voz de código abierto, la locución te lleva una tarde y unos 0,18 € de tiempo de GPU en una RTX 3060. El texto a voz es uno de los pocos trabajos de IA en los que basta con las tarjetas más baratas del catálogo: los modelos son pequeños, y lo difícil está en tu guion y en tus oídos.

Tenemos tres apps de voz listas para usar, gratuitas; solo pagas el tiempo de GPU, desde 0,12 € la hora en una RTX 3060. Cada una destaca en algo distinto.

Tres apps, tres trabajos

Qwen3-TTS es la más sencilla: eliges una de las voces integradas, pegas el texto y, si quieres, añades una instrucción como «alegre, un poco más rápido». Va bien para notificaciones, vídeos explicativos y cualquier cosa en la que te sirva una voz de catálogo constante. La familia Qwen3-TTS tiene además un modelo de clonación aparte, que puedes instalar tú mismo en un servidor vacío.

VoxCPM2 es la que suena más viva de las tres: las pausas, las preguntas y las exclamaciones salen como las leería una persona. Úsala para audiolibros, pódcasts y locuciones largas. Puede diseñar una voz a partir de una descripción o copiarla de una muestra corta si también le das la transcripción de esa muestra.

Chatterbox es la de clonar: subes una grabación limpia de unos segundos y lee cualquier texto con esa voz, en 23 idiomas. También tiene un control de «exaggeration» que hace la entonación más plana o más expresiva.

Las tres se abren en el navegador. En la página de texto a voz hay muestras del mismo texto con cada una, que es la forma más rápida de elegir.

VRAM y qué tarjeta alquilar

Son modelos pequeños, de unos pocos gigas de pesos cada uno (los de VoxCPM2 rondan los 5 GB). En uso ocupan unos 6–8 GB de VRAM, así que una tarjeta de 12 GB tiene sitio de sobra y nuestras apps piden 12 GB. La RTX 3060 es la más barata que cumple; una RTX 3080 con 10 GB se queda demasiado justa para nuestras apps.

Una tarjeta más rápida ayuda, pero menos de lo que podrías pensar. Los modelos de voz generan el audio trozo a trozo, así que una tarjeta dos o tres veces más potente en cálculo bruto devuelve cada frase antes, pero no sale proporcionalmente más barata. Regla aproximada:

• RTX 3060 (12 GB): suficiente para una locución que escuchas frase a frase.
• RTX 4090 o RTX 5090: compensa cuando locutas horas de texto en lote o cuando esperar 20 segundos por párrafo te frena.
• Cualquier tarjeta de 48 GB o más: no aporta nada con estos modelos. Pagas memoria que se queda vacía.

Velocidad y coste por hora de locución

En una tarjeta de 12 GB, un par de frases tardan entre 10 y 30 segundos con Qwen3-TTS, y una sola frase, 5–20 segundos con Chatterbox, según la longitud. Eso sale a unos 1–2,5 segundos de GPU por segundo de voz en una RTX 3060, y a unos 0,4–1 segundo en una RTX 4090. Son rangos orientativos para planificar, no benchmarks: la longitud del texto, los ajustes y la versión del modelo los mueven, y la primera frase de cada sesión siempre es más lenta mientras se carga el modelo.

Para una hora de locución terminada (unas 9000 palabras, en el punto medio de cada rango):

Súmale los minutos que pasas escuchando y repitiendo frases, normalmente un 10–20 % más, y unos minutos al principio mientras la app instala sus paquetes y descarga los pesos. Esos minutos de instalación se facturan, y la descarga también, como tráfico con la tarifa de la máquina. Aun con repeticiones e instalación, una hora de locución en una RTX 3060 sale por unos 0,26 €. La guía de facturación explica el mínimo de 15 minutos por lanzamiento y por qué conviene locutarlo todo en una sola sesión.

Clonar una voz: la grabación decide el resultado

Con Chatterbox (o VoxCPM2), la calidad del clon depende mucho más de la muestra que de la tarjeta.

• Duración: 5–10 segundos de habla continua. Las muestras más largas solo ayudan si siguen siendo limpias.
• Limpia: un solo hablante, sin música, sin eco de la habitación, sin artefactos de reducción de ruido. Un móvil cerca de la boca en una habitación amueblada gana a un buen micrófono en una cocina vacía.
• El tono adecuado: el clon también copia la forma de hablar. Lee la muestra como quieres que suene la locución: tranquila para un curso, animada para un anuncio.
• El idioma adecuado: una muestra en el idioma de destino da el mejor acento. En Chatterbox, si la muestra está en otro idioma, el ajuste de guía del modelo (CFG weight) a 0 o cerca de 0 reduce el acento que se arrastra.
• Con VoxCPM2: escribe las palabras exactas de la muestra en el campo de transcripción. Una transcripción errónea empeora el clon.

Si la voz suena acelerada, baja un poco el CFG weight de Chatterbox; si suena monótona, sube la exaggeration. Cambia un ajuste cada vez y deja fija la semilla mientras comparas.

Textos largos sin perder la cabeza

Las apps están pensadas para párrafos, no para libros enteros de una vez. Un flujo de trabajo que aguanta:

1. Divide el guion en párrafos de dos a cinco frases. Repetir un párrafo es más rápido que repetir un capítulo.
2. Escribe con letras los números, las fechas y las abreviaturas. «Diez mil euros» y «el doce de marzo» salen bien; «10 000 €» y «12/03», a veces no.
3. Dirige con la puntuación. Las comas dan pausas cortas; los puntos, pausas más largas, y las interrogaciones suben el final.
4. Numera los archivos (01.wav, 02.wav) a medida que los descargas del reproductor.
5. Únelos después en Audacity, en tu editor de vídeo o con ffmpeg.

Para un lote largo, el enlace «Use via API» al pie de cada app muestra cómo llamarla desde un script con gradio_client de Python, un párrafo por llamada. Así, un guion de 9000 palabras se convierte en un bucle que lanzas y al que vuelves más tarde.

Descarga cada clip en cuanto se genere. Las apps guardan el audio generado en archivos temporales fuera de /workspace, así que no está en la carpeta guardada y desaparece cuando se detiene el servidor. Tu grabación de referencia y tus guiones pueden vivir en /workspace y sobreviven a Guardar y detener; los pesos del modelo se vuelven a descargar en el siguiente lanzamiento. Consulta qué pasa con tus archivos al detener una GPU.

¿De quién es la voz? Consentimiento y Reglamento de IA de la UE

Clonar una voz es hoy técnicamente trivial, y justo por eso importan las reglas. Esto es información general, no asesoramiento jurídico; para un proyecto comercial con la voz de otra persona, consulta a un abogado de tu país.

• Tu propia voz: puedes clonarla y usarla sin problema.
• La voz de otra persona: solo con su permiso claro, mejor por escrito, que diga para qué se usará y durante cuánto tiempo. Eso incluye a amigos, compañeros de trabajo y actores de doblaje. Muchos contratos de locutores ya mencionan la clonación con IA de forma explícita; compruébalo antes de dar nada por hecho.
• Personajes públicos y personas fallecidas: no lo hagas. Imitar la voz de una persona real sin su consentimiento puede vulnerar los derechos de la personalidad, de imagen o de publicidad en muchos países, y en algunos es delito cuando se usa para engañar.
• La grabación es un dato personal. Una muestra de voz de una persona identificable entra en el RGPD, y una voz usada para reconocer a alguien cuenta como dato biométrico. Conserva la muestra solo el tiempo que la necesites.

El Reglamento de IA de la UE añade obligaciones de transparencia en su artículo 50, que empiezan a aplicarse a partir de agosto de 2026; algunos detalles y periodos transitorios se seguían ajustando durante 2026, así que comprueba la situación actual antes de un lanzamiento comercial. A grandes rasgos: los sistemas que generan audio sintético deben marcarlo como generado por máquina, y si publicas audio que imita a una persona real de forma que pueda pasar por auténtico, se espera que indiques que es artificial. Las obras claramente artísticas o satíricas tienen reglas más ligeras. Qué obligaciones te tocan depende de tu papel y del uso. Un hábito sencillo cubre la mayoría de los casos: indica en los créditos o en la descripción que la voz está generada con IA.

Chatterbox añade a cada archivo que genera la marca de agua inaudible de Resemble AI, que las herramientas de detección pueden leer. Hasta donde sabemos, Qwen3-TTS y VoxCPM2 no añaden ninguna por defecto, así que el aviso corre de tu cuenta.

¿Necesitas tu propia GPU para esto?

Sinceramente, no siempre. Para unas cuantas frases a la semana, un servicio de TTS en la nube o un modelo pequeño en la CPU de tu portátil da menos trabajo, y algunos servicios comerciales tienen voces de catálogo más pulidas en ciertos idiomas. Una GPU alquilada sale mejor cuando locutas horas de texto, necesitas varios idiomas con una misma voz, quieres una voz clonada que nunca salga de una máquina que controlas o no quieres una factura por carácter. Arranca una RTX 3060 con la app que encaje, locuta el primer párrafo y en 15 minutos sabrás si suena bien.