EstudioProbado por nosotros

Voz de IA local y gratis para tus vídeos

En pocas palabrasKokoro-82M es un modelo de voz abierto y ligero: funciona en la CPU de un portátil, tiene voces en italiano e inglés y no envía nada a internet.

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.

Guías relacionadas