Piper TTS o SuperClonica: dispositivos pequeños o voces propias
Piper es un sistema neuronal de texto a voz, rápido y local, conocido por ser la voz de Home Assistant y una de las opciones de voz del lector de pantalla NVDA. Sus voces se entrenan con VITS y se exportan a ONNX, y el proyecto original estaba optimizado para la Raspberry Pi 4. En octubre de 2025 el repositorio original se archivó; el desarrollo sigue en OHF-Voice/piper1-gpl, bajo la Open Home Foundation.
SuperClonica también genera la voz en local, pero con otro enfoque: voces de Supertonic 3 en un solo archivo JSON, un catálogo de voces de autores y voces por encargo. Piper no está en nuestra tabla comparativa, así que esta página se limita a los datos de sus repositorios oficiales y te dice para qué sirve mejor cada uno.
Cómo funciona Piper
Cada voz de Piper es un modelo ONNX aparte con su configuración JSON, entrenado para un idioma. Para pasar el texto a fonemas, Piper integra espeak-ng. El paquete actual se instala con pip install piper-tts e incluye una herramienta de línea de comandos, una API de Python, un servidor HTTP y una biblioteca en C/C++; la aceleración por GPU con CUDA es opcional.
La lista de voces cubre 39 idiomas, del árabe y el catalán al vietnamita y el galés, incluidos español de España, de México y de Argentina, portugués, francés, alemán, ruso y chino. No hay japonés ni coreano.
Licencias: el motor y cada voz
El motor actual, piper1-gpl, tiene licencia GPL-3.0; el original archivado era MIT. Importa si integras la biblioteca en un producto cerrado. Las voces tienen sus propias condiciones: la lista de voces pide leer el MODEL_CARD de cada una, avisa de que algunas tienen licencias restrictivas y presenta Piper como una herramienta para uso personal e investigación en síntesis de voz.
Supertonic 3 usa OpenRAIL-M, una sola licencia libre de regalías para el modelo, con una lista de usos prohibidos. Las voces compradas en SuperClonica son para tus propios proyectos y no se pueden revender.
Una voz nueva: entrenar para Piper o para SuperClonica
Piper no clona una voz a partir de un audio corto. Una voz nueva significa entrenar con un conjunto de grabaciones y transcripciones. La guía oficial recomienda partir de un checkpoint existente; la mayoría de las voces oficiales se entrenaron en tarjetas de 24–48 GB, y hay usuarios que lo han logrado con 8 GB de VRAM.
En SuperClonica basta con una grabación limpia de 5 a 10 segundos con su transcripción exacta para empezar. El entrenamiento corre en tu propia GPU NVIDIA, comparas checkpoints y el JSON final se descarga gratis. Si no tienes GPU, encarga la voz a un autor o elige una voz lista con demos en el catálogo.
Velocidad y hardware
Piper se creó para dispositivos pequeños y ese es su punto más fuerte. No lo hemos medido y no lo puntuamos en nuestra tabla.
Supertonic 3 necesita un modelo base de unos 400 MB más el motor. Sus destinos habituales son ordenadores de escritorio, portátiles, servidores y el navegador con ONNX Runtime Web; no tenemos mediciones en Raspberry Pi. En un CPU de escritorio de 8 núcleos estimamos que SuperClonica va entre 6,4 y 9,7 veces más rápido que el tiempo real, y el motor es de media un 61 % más rápido que el cliente estándar de Supertonic 3 en CPU.
Cuándo conviene más Piper
SuperClonica encaja si buscas una voz que no está en la lista de Piper, voz en japonés o coreano, o una voz hecha por encargo para tu proyecto. Elige Piper para:
- Raspberry Pi y otros dispositivos pequeños, asistentes de voz de domótica y Home Assistant.
- Idiomas que Supertonic 3 no cubre, como catalán, galés, persa, kazajo, nepalí, suajili o chino.
- Una biblioteca en C/C++ o un servidor HTTP listo para un sistema que ya tienes.
- Proyectos a los que les sirven la GPL-3.0 y la licencia de la voz elegida.