Voz de Sesame AI y CSM-1B: la demo, el modelo abierto y una alternativa
La demo de voz conversacional de Sesame, con las voces que muchos conocen como Maya y Miles, impresionó a mucha gente, y Sesame también publicó un modelo de voz abierto, CSM-1B. No son lo mismo, y eso importa si quieres usar la voz en tu propio proyecto.
Esta guía explica, según la ficha del modelo CSM-1B, qué es el modelo abierto, qué hace falta para ejecutarlo, sus reglas de uso y cuándo un motor listo como SuperClonica es la opción más sencilla.
La demo y el modelo abierto
La ficha del modelo dice que una variante ajustada de CSM impulsa la demo de voz interactiva de Sesame. El CSM-1B publicado es el modelo base Conversational Speech Model, así que no sonará ni se comportará exactamente como la demo sin más. CSM genera voz a partir de texto junto con contexto de audio, y así mantiene al mismo hablante entre turnos.
Qué es CSM-1B
CSM usa una base Llama y un decodificador de audio más pequeño que produce códigos de audio Mimi. Se publicó el 13 de marzo de 2025 con licencia Apache-2.0 y tiene soporte nativo en Hugging Face Transformers desde la versión 4.52.1. Su idioma principal es el inglés; según la ficha, otros idiomas funcionan de forma limitada y probablemente mal. Para descargarlo debes aceptar compartir tus datos de contacto de Hugging Face.
Ejecutarlo y sus reglas
El código de ejemplo de la ficha usa una tarjeta gráfica CUDA si la hay y, si no, recurre al procesador. La ficha prohíbe usar el modelo para imitar a personas reales sin su consentimiento explícito, crear contenido engañoso o fines ilegales o dañinos.
Una alternativa lista en un ordenador normal
Si necesitas voz ya y no un modelo de investigación, instala el motor gratuito de SuperClonica con python -m pip install superclonica-cpu y ejecuta superclonica --text "Hey, good to hear from you." --voice F1 --lang es --output hello.wav. Funciona sin conexión en un procesador normal, habla 31 idiomas e incluye diez voces de serie, M1 a M5 y F1 a F5. El motor está bajo Apache 2.0 y el modelo Supertonic 3 bajo OpenRAIL-M, que permite el uso comercial dentro de sus restricciones.
Voces y tu propia voz
Escucha gratis las voces del catálogo en sus páginas: pega de 30 a 100 caracteres, sin cuenta. Para tener tu propia voz, graba una frase limpia de 5 a 10 segundos y entrénala en el estudio; entrenarla en tu propia tarjeta gráfica NVIDIA es gratis. La voz gratuita Maya del catálogo es propia de SuperClonica y no tiene nada que ver con Sesame.