Mejor TTS para Ollama (2026): añade salida de voz a tu LLM local

¿Tiene Ollama síntesis de voz integrada?

Cómo conectar la salida de Ollama a un motor TTS local

• La API de Ollama no sabe ni le importa qué pasa con su salida de texto. No existe ningún callback, webhook o sistema de plugins que conecte Ollama con un motor TTS — tu código es lo único que los une.
• El modo streaming ("stream": true) reduce la latencia percibida al devolver tokens a medida que se generan, permitiéndote empezar a sintetizar audio de la primera frase antes de que el modelo termine la respuesta completa — útil para asistentes de voz interactivos, más complejo de implementar que el ejemplo sin streaming de arriba.

1. 1
   Inicia Ollama y descarga un modelo
   Why it matters: Ollama debe estar ya en ejecución (`ollama serve`, o la aplicación de escritorio) con al menos un modelo descargado (`ollama pull llama3.1`) antes de poder responder solicitudes a través de su API REST.
2. 2
   Envía un prompt a la API REST de Ollama
   Why it matters: Una solicitud POST a `http://localhost:11434/api/generate` con `"stream": false` devuelve un único objeto JSON con la respuesta completa en su campo `response` — el más simple de analizar para un pipeline TTS, aunque el modo de streaming está disponible para reducir el tiempo hasta el primer audio.
3. 3
   Extrae el texto y pásalo a tu motor TTS
   Why it matters: La cadena `response` es texto plano — pásala directamente a la CLI de un motor TTS por stdin (Piper) o a su API de Python (Kokoro, XTTS v2, Chatterbox, Bark o el toolkit Coqui TTS).
4. 4
   Reproduce o guarda el audio resultante
   Why it matters: La mayoría de CLI y API de TTS escriben directamente un archivo `.wav`; para reproducción en vivo, envía audio en bruto a un reproductor como `aplay` (Linux) o usa una biblioteca de audio de Python.

# 1. Pedir una respuesta de texto a Ollama (sin streaming, para simplificar)
RESPONSE=$(curl -s http://localhost:11434/api/generate -d '{
  "model": "llama3.1",
  "prompt": "Explain quantum entanglement in two sentences.",
  "stream": false
}' | python3 -c "import sys, json; print(json.load(sys.stdin)['response'])")

# 2. Pasar ese texto a la CLI de Piper para sintetizar audio (la opción con menor coste de recursos)
echo "$RESPONSE" | piper --model en_US-lessac-medium --output_file response.wav

# --- Versión equivalente en Python, usando Kokoro en lugar de Piper ---
import json
import requests
import soundfile as sf
from kokoro_onnx import Kokoro

reply = requests.post(
    "http://localhost:11434/api/generate",
    json={"model": "llama3.1", "prompt": "Explain quantum entanglement in two sentences.", "stream": False},
).json()["response"]

kokoro = Kokoro("kokoro-v1.0.onnx", "voices-v1.0.bin")
samples, sample_rate = kokoro.create(reply, voice="af_heart")
sf.write("response.wav", samples, sample_rate)

¿Qué motor TTS combina mejor con Ollama?

¿Quién debería usar qué motor?

• 🏆 Mejor opción general para combinar con Ollama: Piper — menor coste de recursos, tiempo real en CPU, el más sencillo de conectar a un script de shell o una llamada subprocess de Python.
• Mejor opción para mayor calidad de audio con un tamaño similar: Kokoro — aún lo bastante compacto para funcionar sin GPU, con una calidad de voz percibida notablemente mejor que Piper según sus propios puntos de referencia de lanzamiento.
• Mejor opción para clonación de voz con uso comercial permitido: Chatterbox — con licencia MIT, clona una voz a partir de unos 5 segundos de audio de referencia, necesita una GPU junto a Ollama para uso en tiempo real.
• Mejor opción para clonación de voz no comercial o de investigación: XTTS v2 — clona una voz a partir de 6 segundos de audio en 17 idiomas, pero su licencia CPML bloquea el uso comercial sin un acuerdo aparte — consulta el desglose de la licencia de XTTS v2 de PromptQuorum.
• Mejor opción para audio expresivo no vocal, no como voz principal: Bark — risas, suspiros y sonido ambiente simple a partir de solo prompts de texto, pero su repositorio no ha recibido commits desde el 5 de abril de 2024, así que no dependas de él para un pipeline de producción mantenido.
• 🧭 Raspberry Pi u otro hardware solo con CPU, ejecutando Ollama con un modelo pequeño → Piper. Ningún otro motor de esta guía está confirmado en tiempo real sin GPU.
• 🧭 Escritorio o servidor con GPU libre junto a Ollama, voz clonada deseada, y derechos comerciales necesarios → Chatterbox.
• 🧭 Escritorio o servidor con GPU libre, proyecto de investigación o personal, máxima calidad de clonación deseada → XTTS v2.
• 🧭 Se busca un único toolkit capaz de cargar varios modelos distintos con el tiempo (incluido XTTS v2) → toolkit Coqui TTS en lugar de instalar las dependencias de cada modelo por separado.

Cuándo no usar ninguno de estos

• ❌ Si necesitas decenas de voces muy pulidas y expresivas emocionalmente listas para usar — una API en la nube gestionada como ElevenLabs ofrece una biblioteca de voces curada más amplia y controles más expresivos que cualquiera de los modelos aquí; consulta la comparación ElevenLabs vs TTS local de PromptQuorum para ver las ventajas y desventajas.
• ❌ Si tu hardware no puede liberar RAM o VRAM más allá de lo que ya usa Ollama — ejecutar Ollama y un motor TTS hambriento de GPU como XTTS v2 o Bark en la misma GPU modesta puede dejar sin recursos a ambos; baja a Piper o Kokoro, o mueve el TTS a una segunda máquina.
• ❌ Si necesitas lanzar un producto comercial y no has confirmado la licencia de forma independiente — la licencia CPML de XTTS v2 es explícitamente no comercial, y Coqui AI, la empresa detrás de ella, cerró sus servicios de licencia de pago en diciembre de 2023; verifica tú mismo las condiciones de licencia antes de lanzar cualquiera de estos motores en un producto de pago.
• ❌ Si clonas la voz de una persona real sin su consentimiento — esto plantea problemas de consentimiento y suplantación independientes de la licencia de cualquier motor, tanto en uso personal como comercial.

Preguntas frecuentes

Veredicto

Fuentes

• Issue de GitHub #11021 de Ollama — la solicitud de función para soporte TTS nativo, cerrada como duplicado de una issue anterior aún abierta.
• Documentación de la API REST de Ollama — el endpoint /api/generate usado en los ejemplos de pipeline de esta guía.
• maudoin/ollama-voice en GitHub — un proyecto comunitario que encadena Whisper, Ollama y pyttsx3; 378 estrellas a fecha de esta publicación.
• Ficha del modelo Kokoro-82M en Hugging Face — número de parámetros, licencia y arquitectura.
• XTTS v2 en Hugging Face — requisitos de clonación y referencia de licencia.
• Chatterbox en GitHub — el modelo de código abierto de clonación de voz de Resemble AI, su licencia y ejemplos de uso.
• Bark en GitHub — el modelo de audio generativo de Suno, su licencia e historial de commits.

Lecturas relacionadas

• Reseña de Piper TTS — el motor TTS local rápido, solo CPU, que esta guía clasifica primero para combinaciones con Ollama.
• Reseña de XTTS v2 — el análisis completo sobre clonación de voz, su licencia no comercial y comandos de uso reales.
• Reseña de Coqui TTS — el toolkit que ejecuta XTTS v2 y otros modelos a través de una sola API de Python.
• Reseña de Bark TTS — el modelo de audio expresivo no vocal, incluido su estado de mantenimiento.
• Licencias de TTS local y clonación de voz — una comparación completa de licencias entre motores TTS locales.
• ElevenLabs vs Piper vs XTTS v2 — la comparación entre nube y local para lectores que dudan si autoalojar.
• Guía para construir un asistente de voz local — una configuración completa de Whisper más Ollama más Piper, para lectores que también necesitan reconocimiento de voz en la entrada.