Los mejores modelos de texto a voz gratis para usar en local en 2026
El TTS gratis ya sirve para trabajo de verdad, y muchos modelos abiertos funcionan en tu propio equipo. Aun así, la palabra gratis esconde diferencias importantes: algunas licencias prohíben el uso comercial, algunos modelos piden una GPU grande y solo unos pocos funcionan con soltura en un procesador normal.
Este repaso cubre los modelos abiertos que comparamos en esta web. SuperClonica vende voces para uno de ellos, Supertonic 3, así que tenlo en cuenta: nos ceñimos a los datos de la documentación de cada modelo y decimos claramente cuándo otro encaja mejor.
Cómo elegir un modelo TTS gratis
Cuatro preguntas acortan la lista enseguida.
- Idioma: ¿habla el modelo el tuyo? El chino, por ejemplo, descarta Supertonic 3.
- Licencia: gratis para descargar no siempre significa gratis para uso comercial. Revisa las condiciones del código y de los pesos.
- Hardware: ¿un procesador normal o una GPU con memoria suficiente?
- Voces: ¿te bastan las voces predefinidas o necesitas una voz concreta a partir de una grabación?
Modelos pequeños de texto a voz gratis para CPU
Supertonic 3, de Supertone, tiene unos 99 millones de parámetros, funciona con ONNX Runtime y, según sus autores, no necesita GPU. Habla 31 idiomas, incluido el español pero no el chino, con licencia OpenRAIL-M: sin regalías y con una lista de usos prohibidos. Trae voces predefinidas; hay más voces, gratis y de pago, en el catálogo de SuperClonica, y el motor SuperClonica las ejecuta de media un 61 % más rápido en el procesador.
Kokoro-82M tiene 82 millones de parámetros, licencia Apache 2.0 y 54 voces predefinidas en ocho idiomas, tres de ellas en español. Donde mejor funciona es en inglés: su propia lista de voces puntúa más bajo las chinas y las japonesas. La versión oficial no clona voces. Funciona en Python y en el navegador con kokoro-js.
Piper es un motor local rápido pensado para dispositivos pequeños como la Raspberry Pi, conocido como la voz de Home Assistant. Cada voz es un modelo ONNX para un idioma; la lista abarca 39 idiomas, entre ellos el español y el chino, pero no el japonés ni el coreano. El motor actual es GPL-3.0 y cada voz tiene su propia licencia.
Chatterbox Nano, de Resemble AI, es un modelo en inglés de 110 millones de parámetros con licencia MIT. Resemble AI indica que va 3 veces más rápido que el tiempo real en 8 núcleos de CPU; clona una voz a partir de un clip y marca cada archivo con una marca de agua PerTh inaudible.
Modelos más grandes para clonar voces
Estos modelos clonan una voz con unos segundos de audio. Según nuestras estimaciones, en un procesador de sobremesa van más lentos que el tiempo real, así que rinden mejor con GPU.
- Qwen3-TTS: Apache 2.0, tamaños 0.6B y 1.7B, 10 idiomas incluidos el español y el chino, clonación con 3 segundos y diseño de voz a partir de una descripción. En CPU, unas 1–2 veces más lento que el tiempo real (0.6B).
- VoxCPM 2: Apache 2.0, 2000 millones de parámetros, 30 idiomas más dialectos chinos, audio a 48 kHz y unos 8 GB de VRAM. En CPU, unas 2–4 veces más lento que el tiempo real.
- Chatterbox Multilingual V3: MIT, 500 millones de parámetros, 23 idiomas y clonación a partir de un clip; sus ejemplos usan GPU.
- Fish Audio S2 Pro: la mejor nota de calidad de nuestra tabla y más de 80 idiomas, pero 4–10 veces más lento que el tiempo real en CPU, y el uso comercial requiere una licencia aparte de Fish Audio.
Gratis, pero no para uso comercial
Varios modelos populares publican código abierto con pesos no comerciales. Sirven para pruebas y proyectos personales, no para un producto de pago.
- OmniVoice: 646 idiomas y clonación con 3–10 segundos de audio. El código es Apache 2.0; el modelo preentrenado, CC-BY-NC.
- F5-TTS: clonación zero-shot en chino e inglés. Código MIT, pesos CC-BY-NC y la velocidad en CPU más baja de nuestra tabla.
- Coqui XTTS-v2: 17 idiomas, español incluido, y clonación a partir de un clip corto. La Coqui Public Model License alcanza también al audio generado, y el repositorio original ya no se mantiene.
Qué modelo de texto a voz gratis elegir
Cada página de comparación enlazada abajo tiene las fuentes y nuestras estimaciones de velocidad para su modelo.
- Narración, juegos y apps en ordenadores normales, en uno de 31 idiomas: Supertonic 3, con una voz del catálogo o una entrenada con tu grabación.
- Voces predefinidas en inglés con la licencia más permisiva: Kokoro.
- Raspberry Pi y Home Assistant: Piper.
- Clonación instantánea en GPU con uso comercial permitido: Qwen3-TTS, VoxCPM 2 o Chatterbox.
- Voz en chino: Qwen3-TTS o VoxCPM 2 en GPU; Piper y Kokoro también tienen voces en chino.
- Investigación y pruebas personales: cualquiera, incluidos OmniVoice, F5-TTS y XTTS-v2.