open-source-voice-studio

name	open-source-voice-studio
version	1.0.0
description	Estudio de voz AI open-source local-first — clonación de voz, dictado, creación. Inspirado en jamiepine/voicebox (⭐38K).
tags	["voice","tts","stt","ai","audio","open-source","local-first"]

Estudio de Voz AI Open-Source

Resumen

voicebox (⭐38K) es un estudio de voz AI open-source local-first. Clona voces, dicta texto, y crea contenido de audio sin enviar datos a la nube.

Cuándo usar

• Clonación de voz con pocos segundos de audio
• Dictado de texto a voz natural
• Creación de contenido de audio local
• Asistente de voz con voz personalizada

Stack

Componente	Tecnología	Función
TTS	Coqui TTS / Piper	Texto a voz
STT	Whisper / Vosk	Voz a texto
Clonación	XTTS / F5-TTS	Clonar voz con audio corto
UI	Web (React)	Interfaz de estudio
Backend	Node.js/Python	API local

Patrón de uso

# Clonación de voz con XTTS (few-shot)
from TTS.api import TTS

tts = TTS("tts_models/multilingual/multi-dataset/xtts_v2")
# Clonar voz con 3 segundos de audio
tts.tts_to_file(
    text="Hola, soy una voz clonada",
    speaker_wav="reference_voice.wav",
    language="es",
    file_path="output.wav"
)

# STT con Whisper
import whisper
model = whisper.load_model("base")
result = model.transcribe("input.wav", language="es")
print(result["text"])

// API local para el estudio de voz
const express = require('express');
const app = express();

app.post('/api/tts', async (req, res) => {
  const { text, voiceId } = req.body;
  // Llamar a TTS local
  const audio = await generateTTS(text, voiceId);
  res.json({ audio: audio.toString('base64') });
});

app.post('/api/stt', async (req, res) => {
  const audio = Buffer.from(req.body.audio, 'base64');
  // Llamar a Whisper local
  const text = await transcribe(audio);
  res.json({ text });
});

app.listen(3000);

Pitfalls

• XTTS vs Piper: XTTS = mejor calidad, más lento. Piper = más rápido, calidad decente.
• GPU: Clonación de voz necesita GPU. Sin GPU, usar Piper (CPU-friendly).
• Audio reference: Para clonación, 3-10s de audio limpio sin ruido de fondo.
• Idioma: XTTS soporta multi-idioma. Piper necesita modelo por idioma.
• Latencia: TTS local tiene latencia < 500ms. Cloud TTS = 1-3s.

Referencias

• voicebox: https://github.com/jamiepine/voicebox
• Coqui TTS: https://github.com/coqui-ai/TTS
• Whisper: https://github.com/openai/whisper
• Piper: https://github.com/rhasspy/piper

---

Hecho con ❤️ por David Antizar