# Voz de IA local y gratis para tus vídeos

> Cómo generar una voz narradora en español, inglés o italiano en tu ordenador con Kokoro, un modelo abierto: sin servicios en línea ni suscripción.

Status: testato · Updated: 2026-11-20

**TL;DR:** Kokoro-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:

```bash
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](/es/guide/sincronizar-escenas-y-voz)).

```python
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](/es/guide/videos-con-munecos-sin-gameplay).

*Probado el 20 de noviembre de 2026 en un portátil sin tarjeta gráfica: dos frases en italiano, unos 15 segundos.*

## FAQ

### ¿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.

## Sources
- [Kokoro-82M (Hugging Face)](https://huggingface.co/hexgrad/Kokoro-82M)
