Una alternativa a VibeVoice para pódcasts y diálogos
VibeVoice de Microsoft dio que hablar porque su modelo TTS podía generar hasta 90 minutos de voz con hasta cuatro hablantes, un episodio entero de pódcast de una vez. El 5 de septiembre de 2025 los responsables retiraron el código de VibeVoice-TTS del repositorio tras detectar usos indebidos, y la tabla de modelos marca los pesos TTS-1.5B como desactivados. Queda VibeVoice-Realtime-0.5B, un modelo en streaming para unos 10 minutos de voz, y el proyecto indica que los modelos son solo para investigación y desarrollo.
Si buscabas pódcasts o diálogos con varias voces, el motor gratuito de SuperClonica llega por otro camino: cada hablante es una voz, cada línea se genera por separado y las líneas se unen en un solo archivo. Funciona sin conexión en un procesador normal y sus voces de serie se pueden usar comercialmente.
Qué pasó con VibeVoice
El repositorio de VibeVoice tiene licencia MIT y sigue alojando los modelos de reconocimiento de voz y el modelo TTS Realtime-0.5B, con entrada de texto en streaming y el primer audio en unos 300 ms. El código del TTS largo se retiró el 2025-09-05 y los pesos TTS-1.5B figuran como desactivados. Comprueba el estado actual del repositorio antes de construir sobre él.
Escucha antes las voces
En la página de cualquier voz del catálogo, pega una línea de tu guion, de 30 a 100 caracteres, elige el idioma y pulsa Generar. En unos segundos sabes a quién elegir como presentador y como invitado, sin cuenta.
Un pódcast de dos voces desde un guion
Instala el motor con python -m pip install superclonica-cpu. Escribe el guion con un hablante por línea, por ejemplo A: Bienvenidos de nuevo al programa. y B: Gracias, me alegra estar aquí. Da una voz a cada hablante, por ejemplo F2 a la presentadora y M3 al invitado, genera cada línea y únelas con una pausa corta; nuestra guía de diálogos con IA trae un fragmento de Python listo que convierte ese guion en un solo WAV. Un episodio largo son solo más líneas: no hay límite de longitud, y cambiar una línea significa regenerar una línea.
Dónde VibeVoice era más fuerte
Un modelo largo lee toda la conversación de una vez, así que los turnos, las risas y el paso entre hablantes pueden sonar más espontáneos, y VibeVoice también hablaba chino. Generar línea a línea da control preciso sobre cada línea y funciona en cualquier ordenador, pero los solapamientos e interrupciones hay que escribirlos como líneas cortas aparte.
Voces que puedes publicar
Las diez voces de serie, de M1 a M5 y de F1 a F5, se pueden usar comercialmente bajo la licencia del modelo OpenRAIL-M, igual que una voz entrenada con tu propia grabación o la de alguien que aceptó. Las voces de personajes del catálogo las hacen fans y son solo para uso de fans y parodia. Nunca escribas una conversación falsa entre personas reales que pueda pasar por una grabación real.