Texto a voz que funciona en tu propio equipo
SuperClonica es un catálogo de voces para Supertonic 3, un modelo abierto de síntesis de voz que funciona en un procesador normal, y también el motor SuperClonica, que hace hablar a esas mismas voces más rápido. Una voz es un solo archivo JSON. La descargas una vez y conviertes texto a voz en tu propio equipo: ningún servidor recibe tu texto y la síntesis sigue funcionando sin internet.
Aquí verás cómo funciona el TTS local, qué velocidad tiene, qué es gratis, cómo conseguir una voz a partir de una grabación concreta y cuándo te conviene más un servicio en la nube o un modelo más grande.
Cómo funciona la síntesis de voz local con Supertonic 3
Supertonic 3 es un modelo de pesos abiertos de Supertone con unos 99 millones de parámetros. Funciona con ONNX Runtime y, según sus autores, no necesita GPU. Habla 31 idiomas, entre ellos español, inglés, portugués, francés, alemán, italiano, japonés y coreano. El chino todavía no está disponible.
El archivo de voz solo guarda el perfil de la voz. Para generar audio necesitas además un motor (el cliente estándar de Supertonic 3 o SuperClonica) y el modelo base, de unos 400 MB. La instalación requiere internet; después, la síntesis se hace en local.
- Ordenador: Windows, macOS y Linux, en la CPU.
- Navegador: aplicaciones web mediante ONNX Runtime Web.
- Móvil: aplicaciones compatibles.
- Tu producto: juegos, bots y servicios en tus propios servidores.
¿A qué velocidad funciona el texto a voz en CPU?
Supertone indica para Supertonic 3 un factor de tiempo real (RTF) de 0,20 en una CPU de 16 hilos: un segundo de audio se genera en 0,2 segundos. Para un procesador de sobremesa de 8 núcleos como el Ryzen 7 7800X3D, estimamos que Supertonic 3 va de 4 a 6 veces más rápido que el tiempo real, y SuperClonica, de 6,4 a 9,7 veces. Una frase de 10 segundos está lista en unos 1,0–1,6 segundos.
La ventaja del motor sí está medida: de media, un 61 % más rápido que Supertonic 3 en CPU (Ryzen 7 5800X) y un 73 % en tarjeta gráfica (RTX 5070 Ti), con los mismos ajustes. Los silencios entre palabras ya no tienen siseo, los finales de frase suenan más limpios y los textos largos se leen por partes cortas, así que hay menos palabras repetidas o cortadas. Las voces de Supertonic 3 funcionan sin conversión.
Voces listas, gratis o clonadas a partir de una grabación
El catálogo reúne voces de autores independientes: personajes de videojuegos, narradores, voces conversacionales, todas con demos. Los autores fijan el precio en dólares estadounidenses y algunas voces son gratis. Una voz comprada es para tus propios proyectos; no se permite revenderla.
Si quieres una voz parecida a una grabación concreta, tienes dos caminos. Ambos tardan más que la clonación instantánea en la nube, pero el resultado es un archivo que después funciona rápido en cualquier sitio. Usa solo grabaciones sobre las que tengas derechos y con el consentimiento de la persona que habla.
- Encargar una voz: sube una referencia, describe el sonido y fija un presupuesto. Los autores envían propuestas; el presupuesto queda reservado en tu saldo hasta que aceptas el resultado.
- Clonar voz tú mismo, gratis: una grabación limpia de 5 a 10 segundos con su transcripción exacta, tu propio equipo con una GPU NVIDIA como worker y checkpoints para comparar. El JSON se descarga gratis.
- Vender lo que entrenas: añade portada, descripción y precio. Los ingresos, menos la comisión de la plataforma, llegan a tu saldo en dólares.
¿TTS local o texto a voz en la nube?
Los servicios en la nube como ElevenLabs generan la voz en sus servidores: app web, API, clonación rápida, muchos idiomas y nada que instalar. A cambio, cada texto viaja por la red, el uso se descuenta de un plan y sin conexión no funciona nada.
Con un archivo de voz local pasa lo contrario: el texto se queda en tu dispositivo, no hay viaje de ida y vuelta por la red y nadie cuenta tus caracteres. El precio es algo de instalación y un modelo más modesto: 31 idiomas, sin chino y con menos control de las emociones.
Fish Audio S2 Pro, OmniVoice y VoxCPM 2 reciben en nuestra tabla una nota de calidad igual o superior y cubren más idiomas, pero según nuestras estimaciones van de 2 a 10 veces más lentos que el tiempo real en una CPU de sobremesa.
Para quién es el texto a voz local
Perfiles habituales:
- Estudios de videojuegos que generan los diálogos de los NPC en el equipo del jugador.
- Creadores de vídeo y narradores de audiolibros que convierten textos largos a voz en un portátil.
- Desarrolladores que necesitan voz en el navegador o en servidores sin GPU.
- Equipos cuyos documentos no pueden salir de la red de la empresa.
- Autores de voces que entrenan voces para venderlas o aceptar encargos.
Cuenta y pagos
Se entra con GitHub, sin documento de identidad ni teléfono. Se paga con criptomonedas, el saldo se lleva en dólares estadounidenses y nunca recibimos datos de tarjetas bancarias.
SuperClonica frente a otros modelos de TTS
Nuestra tabla puntúa calidad, velocidad en CPU, estabilidad del timbre e idiomas. Las estrellas y las velocidades son estimaciones aproximadas para una CPU de sobremesa, no resultados de mediciones.
- Fish Audio S2 Pro: la mejor nota de calidad y más de 80 idiomas; en CPU, de 4 a 10 veces más lento que el tiempo real.
- Qwen3-TTS: chino y clonación con 3 segundos; 10 segundos de voz tardan 10–20 segundos (0.6B).
- OmniVoice: más de 600 idiomas; de 2 a 5 veces más lento que el tiempo real.
- VoxCPM 2: 30 idiomas y audio a 48 kHz; de 2 a 4 veces más lento que el tiempo real.
- F5-TTS: clonación zero-shot en chino e inglés; de 5 a 15 veces más lento que el tiempo real.