Coqui TTS: análisis (2026) — el kit de clonación de voz mantenido por la comunidad

Historia: de Mozilla TTS a un fork comunitario

Qué hace realmente Coqui TTS

• Interfaz multi-modelo. Una única clase de Python TTS() carga y ejecuta distintas arquitecturas de modelo, incluidos modelos VITS de uno y varios hablantes, modelos basados en Tacotron2 y el modelo de clonación de voz XTTS v2, sin cambiar el código de la aplicación circundante.
• Síntesis por línea de comandos. El comando CLI tts sintetiza voz directamente desde la terminal, listando todos los modelos preentrenados disponibles con tts --list_models.
• Clonación de voz vía XTTS v2. Pasar un argumento speaker_wav a un modelo XTTS v2 cargado clona una voz a partir de un breve clip de audio de referencia, generando voz en esa voz clonada en los idiomas que XTTS v2 soporta.
• Amplia biblioteca de modelos preentrenados. El kit da acceso a modelos preentrenados que, según su documentación, cubren más de 1.100 idiomas a través de los modelos masivamente multilingües basados en Fairseq, junto con modelos curados de mayor calidad para idiomas específicos.
• Entrenamiento y ajuste fino de modelos. Más allá de ejecutar modelos preentrenados, el kit incluye scripts de entrenamiento y utilidades de análisis de datasets para construir o ajustar un modelo de voz personalizado — históricamente una de sus funciones más usadas antes del cierre del servicio de entrenamiento alojado de Coqui AI.
• Inferencia en streaming para XTTS v2. El kit documenta síntesis en streaming de baja latencia con XTTS v2 (citada por la documentación del fork mantenido como una latencia inferior a 200 ms hasta el primer audio), útil para aplicaciones de voz interactivas.

Coqui TTS y XTTS v2: cómo se relacionan

Instalar y ejecutar Coqui TTS: paso a paso

1. 1
   Instala el paquete mantenido.
   Why it matters: Ejecuta `pip install coqui-tts` (o `uv pip install coqui-tts` si usas uv) en un entorno Python. Instala específicamente el paquete `coqui-tts` — no el nombre de paquete más antiguo `TTS`, que apunta al repositorio original ahora sin mantenimiento.
2. 2
   Lista los modelos preentrenados disponibles.
   Why it matters: Ejecuta `tts --list_models` para ver el catálogo completo de modelos preentrenados disponibles para descargar, organizados por idioma y arquitectura (VITS, Tacotron2, XTTS y otros).
3. 3
   Sintetiza voz desde la línea de comandos.
   Why it matters: Ejecuta `tts --text "Hello world" --out_path output.wav` para sintetizar con el modelo por defecto, o añade `--model_name <modelo>` para elegir uno específico de la lista.
4. 4
   (Opcional) Usa la API de Python para clonación de voz con XTTS v2.
   Why it matters: Carga el modelo con `TTS("tts_models/multilingual/multi-dataset/xtts_v2").to(device)`, luego llama a `.tts_to_file()` con un argumento `speaker_wav` que apunte a un breve clip de audio de referencia y un argumento `language` para clonar una voz.
5. 5
   (Opcional) Activa la aceleración por GPU.
   Why it matters: Pasa `gpu=True` al constructor `TTS()`, o llama a `.to("cuda")` sobre el objeto de modelo cargado, para ejecutar la inferencia en una GPU NVIDIA — recomendado para XTTS v2, notablemente más lento solo con CPU.
6. 6
   (Opcional) Acepta la licencia CPML de forma no interactiva para XTTS v2.
   Why it matters: Cargar XTTS v2 por primera vez solicita un paso interactivo de aceptación de la CPML. Define la variable de entorno `COQUI_TOS_AGREED=1` para aceptarla de forma no interactiva, requerido para uso desatendido en contenedores Docker o pipelines de CI.

Ejemplos de uso reales

• Aceptación no interactiva de la CPML para entornos automatizados: define COQUI_TOS_AGREED=1 antes de la primera carga de XTTS v2, para que los builds de Docker y los pipelines de CI no se queden bloqueados en una solicitud interactiva.
• Introspección de hablantes e idiomas: tras cargar un modelo multi-hablante o multilingüe, tts.speakers y tts.languages listan lo que el modelo cargado realmente soporta — útil para validar la entrada antes de la síntesis.

# Línea de comandos: listar modelos preentrenados disponibles
tts --list_models

# Línea de comandos: sintetizar con el modelo por defecto
tts --text "Hello world" --out_path output.wav

# Línea de comandos: sintetizar con un modelo específico
tts --model_name "tts_models/en/ljspeech/tacotron2-DDC" \
    --text "This is a test." --out_path output.wav

# API de Python: síntesis básica
from TTS.api import TTS

tts = TTS("tts_models/en/ljspeech/tacotron2-DDC")
tts.tts_to_file(text="Hello world", file_path="output.wav")

# API de Python: clonación de voz con XTTS v2 (acepta la CPML de forma no interactiva primero)
# export COQUI_TOS_AGREED=1
import torch
from TTS.api import TTS

device = "cuda" if torch.cuda.is_available() else "cpu"
tts = TTS("tts_models/multilingual/multi-dataset/xtts_v2").to(device)

tts.tts_to_file(
    text="Hola, esto es una prueba.",
    speaker_wav="reference_voice.wav",
    language="es",
    file_path="cloned_output.wav",
)

# API de Python: listar hablantes e idiomas disponibles en un modelo cargado
print(tts.speakers)
print(tts.languages)

Licencia y coste

Para qué no es bueno Coqui TTS

• Construir sobre el repositorio original sin mantenimiento. Si ejecutas pip install TTS (el nombre de paquete original) en lugar de pip install coqui-tts (el fork mantenido), estás construyendo sobre código que no ha recibido actualizaciones desde agosto de 2024 — comprueba qué paquete referencia realmente un tutorial o dependencia antes de confiar en él.
• La síntesis solo-CPU más rápida posible. Si tu prioridad es la voz en tiempo real en hardware modesto como una Raspberry Pi sin GPU, Piper está construido específicamente para eso y es más simple de desplegar; los modelos más grandes de Coqui TTS, especialmente XTTS v2, son notablemente más lentos solo con CPU.
• Clonación de voz comercial sin una revisión de licencia separada. Ejecutar XTTS v2 a través del kit Coqui TTS sigue arrastrando la restricción no comercial propia de XTTS v2 (CPML) sobre los pesos y salidas del modelo — la licencia MPL-2.0 del kit no anula eso. Ver la sección Licencia y coste anterior.
• Soporte corporativo garantizado a largo plazo. La empresa Coqui AI ya no existe desde diciembre de 2023. El fork actual lo mantiene un instituto de investigación de forma comunitaria, un modelo de mantenimiento distinto al de una empresa financiada con contrato de soporte — considéralo para decisiones de infraestructura de producción crítica.
• Una única API estable entre versiones. Como el desarrollo se trasladó entre un original sin mantenimiento y un fork activamente desarrollado, algunos tutoriales, respuestas de Stack Overflow y publicaciones de blog en línea referencian una superficie de API más antigua o el nombre de paquete original — verifica contra la documentación actual de coqui-tts en lugar de un resultado de búsqueda antiguo.

Alternativas a Coqui TTS

Preguntas frecuentes

Veredicto

Fuentes

• idiap/coqui-ai-TTS en GitHub — el fork activamente mantenido: README, documentación, licencia e historial de versiones.
• coqui-tts en PyPI — metadatos publicados del paquete, incluida la licencia MPL-2.0 actual e historial de versiones.
• coqui-ai/TTS en GitHub — el repositorio original, ahora sin mantenimiento (licencia MPL-2.0).
• XTTS v2 en Hugging Face — la ficha del modelo y el texto de licencia CPML del modelo de clonación de voz.
• Instituto de Investigación Idiap — el instituto de investigación suizo que mantiene el fork comunitario.

Lecturas relacionadas

• Licencias de TTS local y clonación de voz: Piper, XTTS v2, F5-TTS y Coqui — el análisis profundo de licencias en todos los motores TTS locales principales.
• Análisis de XTTS v2 — un desglose completo del modelo de clonación de voz que este kit puede ejecutar.
• Análisis de Piper TTS — la alternativa TTS local rápida, solo-CPU, analizada con la misma profundidad.
• ElevenLabs vs Piper vs XTTS v2 — la comparación nube contra local para lectores que deciden si autoalojarse.
• Análisis de Bark TTS — el modelo TTS local de audio expresivo y no vocal, analizado con la misma profundidad.