Mejor motor TTS local para una configuración con GPU NVIDIA (2026)

XTTS v2, Chatterbox y Bark funcionan todos en CPU, pero una GPU es lo que los hace prácticos para uso en tiempo real o por lotes — Kokoro es la excepción, ya que sus 82 millones de parámetros lo hacen rápido solo con CPU. Los tres motores más pesados comparten una característica: son modelos centrados en la calidad de clonación o generación, cuya arquitectura intercambia cómputo por expresividad, por lo que la aceleración CUDA elimina el cuello de botella en lugar de aportar solo una mejora marginal.

Usa un motor orientado a GPU (XTTS v2, Chatterbox o Bark) si tu caso de uso es clonación de voz, audio expresivo no vocal, o cualquier tarea donde importe la velocidad de generación — un trabajo de narración por lotes, una aplicación de voz interactiva, o una canalización que genera muchos clips. Evita gastar VRAM de GPU en TTS si solo necesitas narración simple de texto plano sin clonación: Kokoro o Piper cubren ese caso solo con CPU, dejando tu VRAM libre para un LLM u otra tarea en paralelo.

XTTS v2, publicado por Coqui y ejecutado a través del conjunto de herramientas Coqui TTS, es la mejor opción de clonación de voz local para propietarios de GPU que necesitan la mayor calidad alcanzable a partir de un clip de referencia corto. Clona una voz a partir de tan solo 6 segundos de audio de referencia y la reproduce en 17 idiomas, incluyendo clonación entre idiomas — clonar una voz a partir de audio en inglés y hablar el resultado en español o japonés.

En cuanto a VRAM, los pesos del modelo de XTTS v2 rondan los 2 GB, pero 4 GB es el mínimo práctico para ejecutarlo, y se recomiendan 4-6 GB para inferencia en tiempo real, según la reseña de XTTS v2 dedicada de PromptQuorum. La licencia es el factor decisivo para la mayoría de lectores: la Coqui Public Model License (CPML) es explícitamente no comercial, y como Coqui AI, la empresa, cerró sus servicios de pago en diciembre de 2023, actualmente no hay una vía confirmada hacia una licencia comercial.

Chatterbox, publicado por Resemble AI en GitHub, es la mejor opción para propietarios de GPU que quieren clonación de voz conversacional en tiempo real bajo una licencia totalmente permisiva y apta para uso comercial. Está bajo la licencia MIT, que — a diferencia de la CPML no comercial de XTTS v2 — permite el uso comercial sin un acuerdo aparte.

Chatterbox viene en varios tamaños: una variante Nano (110 millones de parámetros) que la propia documentación de Resemble AI describe como más rápida que tiempo real en 8 núcleos de CPU, una variante Turbo (350 millones de parámetros) diseñada para baja latencia, y una variante multilingüe (unos 500 millones de parámetros, sobre una arquitectura que atribuye a Llama 3) que admite más de 20 idiomas. La clonación de voz zero-shot funciona a partir de un clip de audio de referencia — el ejemplo oficial de Resemble AI usa un clip de 10 segundos, aunque el README no indica una duración mínima oficial como sí hace el de XTTS v2.

El README público de Resemble AI no publica una cifra exacta de VRAM, así que trata cualquier número específico en GB que veas en otro lugar como no verificado hasta que lo pruebes en tu propia tarjeta. Lo documentado es: la variante Nano funciona aceptablemente solo con CPU, mientras que las variantes más grandes Turbo y Multilingual están diseñadas para generación acelerada por GPU y baja latencia — se admiten tanto CUDA como Apple Silicon (MPS).

Bark, publicado por Suno en GitHub, es la opción adecuada si quieres más que voz — risas, suspiros, jadeos y música simple generados solo a partir de instrucciones de texto — y es el motor de esta comparativa que más se beneficia de una GPU, ya que su arquitectura generativa, token por token, es la más lenta de los cuatro sin aceleración CUDA. No admite clonación de voz personalizada; según la propia documentación de Suno, "actualmente no admite clonación de voz personalizada".

En cuanto a VRAM, la reseña de Bark dedicada de PromptQuorum documenta que el modelo completo necesita unos 12 GB, con una variable de entorno para modelo pequeño (SUNO_USE_SMALL_MODELS) que lo reduce a unos 8 GB — notablemente más que los 4-6 GB de XTTS v2. Está bajo licencia MIT, plenamente apta para uso comercial desde el 1 de mayo de 2023, pero su estado de mantenimiento es una pregunta abierta real: el repositorio público de GitHub no muestra confirmaciones (commits) desde el 5 de abril de 2024.

Kokoro aparece aquí como contraejemplo: tener una GPU NVIDIA no significa que toda carga de TTS necesite una, y Kokoro lo demuestra. Con 82 millones de parámetros, es drásticamente más pequeño que XTTS v2, Chatterbox o Bark, y su propia ficha de modelo en Hugging Face documenta síntesis en tiempo real o más rápida solo con CPU, con el uso de GPU añadiendo margen en lugar de ser un requisito.

Kokoro tiene licencia Apache 2.0, que — como la licencia MIT de Chatterbox — permite uso comercial sin restricciones. No admite clonación de voz, por lo que no sustituye a XTTS v2 o Chatterbox si la clonación es el requisito, pero para narración simple, lectura de texto en voz alta, o una capa de voz en una aplicación donde no se necesita clonación, es una opción más ligera y sencilla.

Esta tabla puntúa a los cuatro motores específicamente en criterios de idoneidad para GPU — requisito de VRAM, cuánto se beneficia cada uno de la aceleración CUDA, capacidad de clonación de voz y licencia — no en calidad de audio en bruto.

Una GPU con 6 GB de VRAM o más cubre cómodamente todos los motores de esta comparativa excepto el modelo completo de Bark, que necesita unos 12 GB (o unos 8 GB con su variable de modelo pequeño). Ajusta tu tarjeta al motor que realmente necesitas en lugar de comprar por defecto para la opción más pesada.

Para orientación general sobre cómo elegir una GPU por nivel de VRAM para cargas de IA local (no específicas de TTS), consulta la guía de compra de GPU para LLM locales de PromptQuorum — la misma lógica de compra centrada en VRAM se aplica al TTS, y si ya ejecutas un LLM local junto al TTS, ambas cargas compiten por el mismo grupo de VRAM.

Clonar la voz de una persona real sin su conocimiento o consentimiento explícito es un problema distinto de la licencia, y se aplica sin importar el motor, la licencia o el estado comercial bajo el que operes. XTTS v2 y Chatterbox son ambos herramientas de clonación de voz capaces y de uso general; ninguno de los dos verifica que el audio de referencia que proporcionas pertenezca a alguien que haya aceptado ser clonado.

Clonar una voz sin consentimiento puede plantear problemas de consentimiento, derecho de imagen y, en algunas jurisdicciones, fraude o suplantación de identidad, independientemente de si tu proyecto es comercial o personal, y de las condiciones de licencia del modelo. Esta es una nota factual, no asesoría legal — consulta a un abogado si estás construyendo un producto que clona voces de personas reales, y obtén siempre un consentimiento claro y documentado de cualquier persona cuya voz clones.

Para lectores que ya tienen una GPU NVIDIA y quieren usarla para texto a voz, la elección depende de lo que el audio necesite hacer. XTTS v2 es la opción para la mayor calidad de clonación de voz alcanzable en un contexto no comercial o de investigación, dada su licencia CPML no comercial. Chatterbox es la opción cuando esa misma capacidad de clonación necesita llevarse a un producto comercial, gracias a su licencia MIT y sus tamaños de modelo más pequeños orientados al tiempo real. Bark es la opción específicamente cuando el proyecto necesita audio expresivo no vocal — risas, suspiros, música simple — y puede permitirse gastar 8-12 GB de VRAM para conseguirlo, con la salvedad de que su estado de mantenimiento es incierto. Kokoro sigue siendo la opción correcta siempre que la clonación no sea el requisito: funciona cómodamente solo con CPU, así que reservar VRAM de GPU para él rara vez merece la pena. Si tienes dudas, empieza con Kokoro para narración simple y sube a XTTS v2 o Chatterbox solo cuando aparezca un requisito real de clonación — eso mantiene la VRAM de tu GPU disponible para lo que sea que ejecutes junto a ello, incluido un LLM local. Para los detalles de licencia de cada motor mencionado aquí, consulta la guía de licencias de TTS y clonación de voz locales de PromptQuorum.