Los vídeos con muñecos necesitan una voz. Las voces en línea cuestan dinero, envían tu texto a un servicio externo y a veces cambian de licencia. Un modelo que corre en tu ordenador lo resuelve: el texto sigue siendo tuyo y no hay suscripción.
Instalación
En Linux necesitas espeak-ng para la fonética (sudo apt install espeak-ng). Después, en un entorno de Python:
python -m venv .venv && source .venv/bin/activate
pip install kokoro soundfile numpy
La primera ejecución descarga el modelo (unos cientos de MB). Después funciona también sin conexión.
Una voz por escena
Una frase por escena, y el programa te dice cuánto dura cada una. Esas duraciones sirven para que las escenas coincidan con la voz (mira sincronizar escenas y voz).
import numpy as np, soundfile as sf
from kokoro import KPipeline
SR = 24000
pipe = KPipeline(lang_code="i") # "a" = American English, "i" = Italian
scene_texts = ["You stole a car and the police are after you? Relax.", "Swap the car and change clothes."]
audio, t = [], 0.0
for i, text in enumerate(scene_texts):
parts = [np.asarray(a, dtype=np.float32) for _, _, a in pipe(text, voice="af_heart")]
wav = np.concatenate(parts)
pause = np.zeros(int(0.4 * SR), dtype=np.float32) # a little breathing room between scenes
dur = (len(wav) + len(pause)) / SR
print(f"scene {i+1}: from {t:.2f} s to {t+dur:.2f} s")
audio += [wav, pause]
t += dur
sf.write("voce.wav", np.concatenate(audio), SR)
Las voces que probé son af_heart y am_michael para inglés americano, e if_sara (femenina) e im_nicola (masculina) para italiano. Cambia lang_code junto con la voz.
Qué esperar
La voz es clara y rápida, pero plana: no tiene emoción y no puedes pedirle que lo diga “con más energía”. Para un vídeo explicativo sirve; para un relato hacen falta modelos más lentos que gestionen la expresividad. Escribe frases cortas con buena puntuación, porque el modelo lee como se lee el texto: una coma de más es una pausa de más.
Antes de publicar, escúchalo todo. Números, siglas y nombres extranjeros (Leonida, Vice City) a veces salen mal: si pasa, escríbelos como suenan.
Para usar la voz en un vídeo mira vídeos con muñecos, sin gameplay.
Probado el 20 de noviembre de 2026 en un portátil sin tarjeta gráfica: dos frases en italiano, unos 15 segundos.
Preguntas frecuentes
¿Hace falta tarjeta gráfica para una voz de IA?
No para Kokoro: es pequeño (82 millones de parámetros) y va en la CPU. En una prueba, dos frases en italiano tardaron unos 15 segundos, con la carga del modelo incluida.
¿Puedo usar estas voces en vídeos monetizados?
Revisa la licencia del modelo y de las voces que descargues. Kokoro se publica con una licencia permisiva, pero compruébalo en la página del modelo antes de monetizar.