Texto a voz para LLM locales y chatbots
Un modelo de lenguaje en tu propio ordenador, con Ollama, llama.cpp o LM Studio, mantiene tus conversaciones privadas. Enviar sus respuestas a un servicio de voz en la nube desharía eso. La voz también debe ser local.
El motor SuperClonica pone voz al texto sin conexión en un procesador normal o una tarjeta gráfica NVIDIA, desde Python o como un pequeño servicio HTTP. Esta guía muestra cómo conectarlo a un modelo local, cómo mantener corta la espera y cómo hacer que las respuestas suenen bien.
Cómo encaja un asistente de voz local
Cada parte se puede cambiar por separado: otro modelo, otra voz, la misma cadena.
- Reconocimiento de voz opcional, por ejemplo un modelo Whisper local, convierte tu voz en texto.
- El modelo de lenguaje escribe la respuesta localmente.
- SuperClonica convierte la respuesta en voz, también localmente.
- Nada sale del ordenador y no hay tarifa por carácter ni por petición.
Escucha la voz gratis
Antes de escribir código, abre la página de una voz, escribe una respuesta típica de 30 a 100 caracteres, elige el idioma y pulsa el botón para generarla. En unos segundos oyes cómo sonará tu asistente, sin cuenta.
Di cada frase en cuanto esté lista
En nuestras mediciones, una frase corta tardó de mediana 0,12 s en una RTX 5070 Ti y 0,43 s en un Ryzen de escritorio con cuatro hilos.
- Instala el motor una vez: python -m pip install superclonica-cpu, o superclonica-gpu-cuda para una tarjeta gráfica NVIDIA.
- Crea el motor una vez, tts = Superclonica(), y reutilízalo: cargarlo tarda unos segundos y cada frase después, una fracción de segundo.
- Mientras el modelo transmite su respuesta, córtala al final de cada frase y ponle voz: audio, rate = tts.synthesize(sentence, voice="F1", lang="es").
- Reproduce cada frase mientras se genera la siguiente, con una librería de audio como sounddevice o guardando y reproduciendo el archivo.
Respuestas que suenan bien en voz alta
A los modelos les gusta responder con Markdown: asteriscos, listas, tablas y código que suenan raros en voz alta. Pide al modelo en su prompt de sistema que responda con frases habladas cortas y sencillas, sin listas ni formato, y elimina lo que quede antes de ponerle voz. El motor dice los números con palabras en la mayoría de idiomas y limpia emojis y símbolos desconocidos por sí solo. Para un programa que no esté en Python, ejecuta el motor como servicio HTTP local, docker run -d -p 8000:8000 -v superclonica-models:/models superclonica/superclonica:cpu, y envía cada frase a POST /synthesize; las herramientas que esperan un endpoint de voz compatible con OpenAI necesitan un pequeño adaptador.
Elige la voz
Las diez voces de serie del modelo, M1 a M5 y F1 a F5, vienen con el motor gratuito y no necesitan archivos extra. Para un asistente personal con carácter, elige una voz del catálogo, como una de las voces de Jarvis, y pruébala antes con una respuesta típica. Para tu propia voz o la de un familiar que haya aceptado, entrénala en el estudio en un ordenador con tarjeta gráfica NVIDIA o encárgala en la bolsa. Todas las voces hablan los 31 idiomas de Supertonic 3; el chino aún no está disponible.