Cómo convertir texto a voz sin conexión en tu ordenador
Texto a voz sin conexión significa que la voz la genera un programa en tu propio ordenador y no un servicio web. Tu texto no sale de la máquina, nadie cuenta caracteres y, una vez instalado todo, funciona sin internet.
Esta guía recorre el camino completo con Supertonic 3, un modelo abierto de síntesis de voz que funciona en un procesador normal, y las voces del catálogo de SuperClonica: elegir una voz, instalar el motor en Windows, macOS o Linux, crear tu primer archivo de audio y preparar textos largos.
Qué necesitas para texto a voz sin conexión
Basta con un ordenador con Windows, macOS o Linux. Supertonic 3 funciona en el procesador y, según sus autores, no necesita tarjeta gráfica. Una GPU NVIDIA acelera la síntesis, pero no es imprescindible.
- Git y Python 3.11 para el cliente estándar de Supertonic 3. El motor SuperClonica necesita Python 3.10 o posterior.
- Unos 400 MB de disco para el modelo base, que descargas una sola vez.
- Una voz: un archivo JSON con el perfil de la voz.
- Conexión a internet solo para la instalación. Después, la voz se genera sin conexión.
Paso 1: elige una voz
Supertonic 3 trae algunas voces predefinidas. Si buscas un sonido concreto, como un narrador sereno, un personaje de videojuego o una voz conversacional, mira el catálogo: cada voz tiene demos y una descripción de su autor, y algunas son gratis.
Comprueba primero el idioma. Supertonic 3 habla 31 idiomas, entre ellos español, inglés, portugués, francés, alemán, ruso, japonés y coreano. El chino todavía no está disponible.
Tras la compra, abre Mi biblioteca y descarga la voz en formato JSON. Los archivos de voz creados para Supertonic 3 en otro sitio funcionan igual.
Paso 2: instala Supertonic 3 en Windows, macOS o Linux
El cliente estándar de Supertonic 3 ya funciona hoy. Abre una terminal (PowerShell en Windows) y ejecuta por orden los comandos de nuestra página Cómo funciona. Clonan el repositorio supertonic de GitHub, crean dentro un entorno virtual de Python 3.11 (py -3.11 -m venv .venv en Windows, python3.11 -m venv .venv en macOS y Linux), instalan huggingface_hub, descargan el modelo supertone-oss-archive/supertonic-3 en la carpeta assets con la herramienta hf, instalan los paquetes de py/requirements.txt y entran en la carpeta py.
La página muestra los comandos exactos para Windows y para macOS y Linux, con un botón para copiarlos. Solo la descarga del modelo tarda un poco, y se hace una vez.
Paso 3: convierte el texto a voz
Guarda la voz descargada como voice.json en la carpeta supertonic/py. Después ejecuta example_onnx.py desde el entorno virtual con la voz, el texto y el código de idioma: --voice-style "./voice.json" --text "Tu texto" --lang es --n-test 1. El script guarda un archivo WAV en la carpeta results.
Para otro idioma, cambia el texto y el código, por ejemplo --lang en o --lang pt. El script también tiene la opción --speed: el valor por defecto es 1.05, y uno más alto hace que la voz hable más rápido.
A partir de aquí no necesitas red: puedes desconectarte y seguir pasando texto a voz todo lo que quieras.
Más rápido: el motor SuperClonica
SuperClonica es nuestro motor basado en Supertonic 3. Lee los mismos archivos JSON de voz sin conversión y, con los mismos ajustes, es de media un 61 % más rápido en el procesador (medido en un Ryzen 7 5800X) y un 73 % más rápido en tarjeta gráfica (RTX 5070 Ti). Las pausas suenan sin siseo y los finales de frase quedan más limpios.
Los paquetes están en PyPI, así que la instalación es un solo comando: python -m pip install superclonica-cpu, o superclonica-gpu-cuda para una GPU NVIDIA, con CUDA y cuDNN instalados por pip. Una frase será entonces una línea: superclonica --text "¡Hola!" --voice voice.json --lang es --output hola.wav. El modelo base se descarga en el primer uso. Desde Python, Superclonica().synthesize() recibe los mismos datos; el ejemplo completo está en la página de instalación.
Consejos para textos largos
Libros, artículos y guiones largos salen mejor con un poco de preparación.
- Divide el texto en capítulos o secciones y genera cada uno en su propio archivo. Así un fragmento fallido se rehace en un momento.
- Con el cliente estándar, pasa un párrafo o unas pocas frases en cada ejecución y une los archivos en un editor de audio. El motor SuperClonica divide por sí solo los textos largos en partes cortas, así que repite o corta menos palabras.
- Escribe los números, las fechas, las unidades y las abreviaturas tal como deben leerse en voz alta.
- Parte las frases muy largas: la voz saca sus pausas de la puntuación.
- Calcula el tiempo. Según nuestra estimación, SuperClonica genera una hora de audio en unos 7–11 minutos en un procesador de sobremesa de 8 núcleos.