Una alternativa sin conexión a Google Cloud Text-to-Speech
Google Cloud Text-to-Speech, Amazon Polly y Azure AI Speech son API en la nube: cada petición envía tu texto al proveedor, el uso por encima de un nivel gratuito se factura por carácter, y necesitas cuenta, clave e internet. SuperClonica ofrece el mismo tipo de pieza, pero funcionando en tu propia máquina.
Esta página compara ambos enfoques con honestidad, dice cuándo conviene más una API en la nube y muestra cómo cambiar una llamada en la nube por una local.
API en la nube frente a una voz propia
Las API en la nube son más fáciles de empezar y escalan a cualquier carga; un motor local cambia eso por privacidad y un coste fijo.
- TTS en la nube: servidores gestionados, muchos idiomas y voces, facturación por uso y tu texto enviado al proveedor.
- SuperClonica: una imagen Docker con endpoint HTTP, una librería de Python y una herramienta de línea de comandos, todo en local.
- Tras descargar una vez el modelo, unos 385 MB, el servidor no necesita internet.
- Las voces son archivos JSON: las diez integradas, voces del catálogo o una voz entrenada con tu propia grabación.
Cuándo conviene más una API en la nube
Elige una API en la nube si necesitas chino o una lista muy larga de idiomas y variantes regionales, control con SSML, escalado gestionado con garantías de servicio o, simplemente, no mantener un servidor. SuperClonica habla 31 idiomas, no tiene SSML y funciona en hardware que gestionas tú.
Cuándo encaja mejor SuperClonica
En nuestras pruebas, una frase corta tardó 0,12 s en una RTX 5070 Ti y 0,43 s en cuatro hilos de un Ryzen 7 5800X.
- Tus textos son privados: notas médicas, documentos internos, diálogos de un juego aún no publicado.
- Necesitas trabajar sin conexión o dentro de una red cerrada.
- Tu volumen es grande o impredecible, y una factura por carácter crecería con él.
- Quieres voces de personajes, una voz de marca entrenada con tu propio locutor y la misma voz en los 31 idiomas.
Cambia la llamada a la API
Inicia el servidor en cualquier CPU: docker run -d --name tts -p 8000:8000 -v superclonica-models:/models superclonica/superclonica:cpu. Cuando GET http://localhost:8000/health responda, envía una petición: curl -X POST http://localhost:8000/synthesize -H "Content-Type: application/json" -d '{"text": "¡Hola desde mi propio servidor!", "voice": "F1", "lang": "es"}' -o hello.wav. POST /synthesize acepta text, voice, lang, seed y normalize y responde con un WAV mono de 16 bits. Define SUPERCLONICA_API_KEY para exigir la cabecera Authorization, y mantén el servidor tras HTTPS o en una red privada. Una voz propia va en la petición como su objeto JSON.
Costes y licencias
El motor SuperClonica y la imagen Docker se publican con licencia Apache 2.0. El modelo Supertonic 3 tiene licencia OpenRAIL-M, gratuita y que permite el uso comercial dentro de su lista de usos prohibidos. Las voces integradas y varias del catálogo son gratis; las demás se compran una vez. Consulta los precios actuales de los proveedores en la nube en sus propios sitios antes de comparar.