Qwen3-TTS o SuperClonica para texto a voz en local
Qwen3-TTS es la familia de modelos de voz abiertos del equipo Qwen, publicada en enero de 2026 en tamaños 0.6B y 1.7B con licencia Apache 2.0. Clona una voz con tres segundos de audio, crea voces a partir de una descripción de texto y emite el audio en streaming con poca latencia. SuperClonica es más acotado: voces de Supertonic 3, listas o entrenadas, que funcionan rápido en CPU.
Los dos funcionan en tu propio hardware. Se diferencian en velocidad, idiomas y en cómo consigues una voz.
Qué ofrece Qwen3-TTS
Los ejemplos oficiales se ejecutan en una GPU NVIDIA en bfloat16, y se recomienda FlashAttention 2 para reducir la memoria de GPU.
- 10 idiomas: chino, inglés, japonés, coreano, alemán, francés, ruso, portugués, español e italiano, además de perfiles de voz con dialectos.
- Clonación de voz con 3 segundos en los modelos Base, sin entrenamiento.
- Diseño de voz a partir de una descripción en lenguaje natural (modelo 1.7B VoiceDesign).
- Instrucciones para controlar el tono, la velocidad del habla y la emoción.
- Generación en streaming; los autores indican una latencia de extremo a extremo desde 97 ms.
Velocidad de Qwen3-TTS en CPU
Para el modelo 0.6B en un procesador de sobremesa de 8 núcleos estimamos de 1 a 2 veces más lento que el tiempo real: 10 segundos de voz en 10–20 segundos. La estimación se basa en un motor de la comunidad escrito en C, que indica un RTF de 2,02 para el 0.6B con pesos INT4 en un Ryzen 7 6800H de portátil. El modelo 1.7B es más lento: lo situamos de 2 a 5 veces más lento que el tiempo real. PyTorch a secas puede ser bastante más lento que ese motor en C.
En Apple Silicon a Qwen le va mejor: el mismo motor indica 0,52 en un M1, es decir, unas dos veces más rápido que el tiempo real.
SuperClonica, en un procesador de sobremesa de 8 núcleos, va según nuestra estimación de 6,4 a 9,7 veces más rápido que el tiempo real: los mismos 10 segundos tardan unos 1,0–1,6 segundos.
Calidad, estabilidad e idiomas
En nuestras notas, Qwen3-TTS obtiene 4 sobre 5 en calidad y 4 en estabilidad del timbre; SuperClonica, 4,5 y 5.
En número de idiomas gana Supertonic 3, 31 frente a 10, pero las listas no coinciden del todo. Qwen3-TTS habla chino y Supertonic 3 no. A cambio, Supertonic 3 añade árabe, hindi, turco, vietnamita, ucraniano, polaco y la mayoría de los demás idiomas europeos.
Cuál usar
Los dos son abiertos y funcionan en local, así que depende de la tarea.
- Qwen3-TTS: necesitas chino, clonación instantánea o diseño de voz, o estás creando un asistente de voz en GPU y te importa la latencia del primer paquete.
- SuperClonica: generas mucha voz en CPU, trabajas en alguno de los 31 idiomas de Supertonic 3 o quieres que una voz entrenada suene igual en miles de frases.