Coqui XTTS-v2 o SuperClonica: una alternativa a Coqui TTS
XTTS-v2 es el modelo de clonación de voz de Coqui, publicado junto con la biblioteca de código abierto Coqui TTS. A partir de un audio de referencia corto habla con esa voz en 17 idiomas, entre ellos el español, y puede llevar una voz de un idioma a otro.
Si piensas construir algo sobre él hoy, hay dos cosas que importan: el repositorio original coqui-ai/TTS ya no se mantiene y la licencia de los pesos de XTTS no permite el uso comercial. Si buscas una alternativa a Coqui TTS, aquí tienes cómo se compara SuperClonica. XTTS no está en nuestra tabla comparativa, así que no damos cifras de velocidad ni de calidad para él.
Qué hace XTTS-v2
XTTS-v2 clona una voz con unos segundos de audio: la ficha del modelo habla de un clip de 6 segundos y la documentación, de 3. Habla inglés, español, francés, alemán, italiano, portugués, polaco, turco, ruso, neerlandés, checo, árabe, chino, japonés, húngaro, coreano e hindi, genera audio a 24 kHz y transfiere la emoción y el estilo de la referencia.
Admite streaming, y los autores indican una latencia inferior a 200 ms sin decir en qué hardware. Los ejemplos de la documentación lo ejecutan con CUDA, e incluye código para el ajuste fino.
Licencia de XTTS: por qué el uso comercial queda fuera
Los pesos de XTTS-v2 están bajo la Coqui Public Model License. Solo permite el uso no comercial y no se limita al modelo, también cubre el audio generado: en cuanto recibes un pago, directo o indirecto, por el modelo o por lo que genera, quedas fuera de la licencia. Las empresas solo pueden usarlo para pruebas, evaluación e investigación no comercial.
El código de Coqui TTS en sí tiene licencia MPL-2.0, así que el obstáculo no es el código, sino los pesos. Supertonic 3 usa OpenRAIL-M, una licencia libre de regalías con una lista de usos prohibidos en lugar de una cláusula no comercial. Las voces compradas en SuperClonica son para tus propios proyectos y no se pueden revender.
Coqui TTS hoy
El repositorio original coqui-ai/TTS ya no se mantiene. Idiap mantiene un fork que se publica en PyPI como coqui-tts, con paquetes listos para Linux, macOS y Windows y novedades como la caché de voces clonadas. Los pesos de XTTS-v2 y su licencia siguen igual.
Clonar en cada petición o un archivo de voz entrenado
XTTS reconstruye la voz a partir del audio de referencia en cada petición, así que el resultado depende del clip que le pases. SuperClonica entrena la voz una vez en un archivo de Supertonic 3: una grabación limpia de 5 a 10 segundos con su transcripción exacta, tu propia GPU NVIDIA y sin coste. También puedes encargar la voz a un autor o elegirla en el catálogo.
Después, el archivo funciona sin conexión en un procesador normal. Según nuestra estimación, SuperClonica convierte texto a voz entre 6,4 y 9,7 veces más rápido que el tiempo real en un CPU de escritorio de 8 núcleos: una frase de 10 segundos en unos 1,0–1,6 segundos.
Cuándo conviene más XTTS-v2
Elige SuperClonica para proyectos de pago, equipos sin GPU y voces que quieras conservar como archivo. XTTS-v2 sigue encajando en estos casos:
- Proyectos personales, de investigación o de afición donde la licencia no comercial no es un problema.
- Clonar voz al instante con unos segundos de audio, sin entrenar.
- Voz en chino, que Supertonic 3 todavía no tiene.
- Flujos de trabajo ya construidos sobre la biblioteca Coqui TTS.