Licencias de TTS local y clonación de voz 2026: qué motores permiten uso comercial (Piper, XTTS v2, F5-TTS, Coqui)

Datos rápidos

• TTS local más rápido: Piper — tiempo real en Raspberry Pi 5, ~10× más rápido que en tiempo real en CPU de escritorio moderno.
• Mejor calidad de clonación de voz: XTTS v2 — 6 segundos de audio de referencia, clonación multilingüe en 17 idiomas.
• Clonación de voz zero-shot más rápida (arquitectura más nueva): F5-TTS — ~3 segundos de audio, flow-matching, ~3–5× tiempo real en RTX 4070.
• Kit de herramientas open source más flexible: Coqui TTS — admite backends VITS, Tacotron2, XTTS, más de 20 modelos de idioma.
• Único audio generativo (sonidos no hablados): Bark — risas, suspiros, música, ambiente. El más lento de todos.
• Mejor calidad de narración en inglés: StyleTTS 2 — transferencia de estilo basada en difusión, MOS casi humano en el benchmark LJSpeech.
• Libre para uso comercial: Piper, Bark, StyleTTS 2 (MIT); Kokoro, Tortoise (Apache 2.0); kit de herramientas Coqui TTS (MPL 2.0, con condiciones). No comercial: XTTS v2 (CPML), F5-TTS (CC-BY-NC-4.0).
• Voces e idiomas de XTTS v2: Sin lista fija de voces — proporcionas un clip de referencia de 6 segundos y clona esa voz. El modelo incluye preajustes de hablante integrados, y genera en 17 idiomas: en, es, fr, de, it, pt, pl, tr, ru, nl, cs, ar, zh-cn, ja, hu, ko, hi.
• VRAM de XTTS v2: ~2 GB de pesos del modelo; 4 GB mínimo para ejecutar, 4–6 GB recomendados para inferencia en tiempo real.
• Aceptar la CPML en CI/Docker: export COQUI_TOS_AGREED=1 — sin prompt interactivo necesario.
• Requisitos de VRAM: Piper: solo CPU. Kokoro: CPU / 1–2 GB. StyleTTS 2: 2–4 GB. Coqui VITS: 2–4 GB. F5-TTS: 3–5 GB. XTTS v2: 4–6 GB. Bark: 4–8 GB. Tortoise: 4–8 GB.

Por qué importa el TTS local

• Privacidad: Tu contenido de texto nunca sale de tu equipo. Fundamental para dictado médico, resúmenes legales, narración de diarios privados o lectura en voz alta de documentos confidenciales.
• Costo: Los precios del TTS en la nube son típicamente de $4–$30 por millón de caracteres. Un desarrollador que genera 10 millones de caracteres por mes ahorra $40–$300/mes con una configuración local única.
• Latencia: Sin viaje de red de ida y vuelta. Piper genera el primer token de audio en menos de 50 ms en CPU — más rápido que cualquier TTS en la nube.
• Personalización: La clonación de voz (XTTS v2, F5-TTS, Coqui) permite crear una voz personalizada a partir de unos pocos segundos de audio. Los proveedores en la nube cobran $10+/mes por cada voz clonada.
• Operación offline: Funciona en aviones, instalaciones seguras, zonas remotas sin internet. Interfaz de voz embebida para quioscos y dispositivos.
• Smart home: Piper es la capa TTS principal para interfaces de voz locales siempre activas — tiempo real en Raspberry Pi, sin GPU. Para un asistente de voz offline completo integrado en Home Assistant, ver asistente de voz local para smart home →.

Tabla de comparación

Comparación de latencia del primer audio

Piper TTS — Opción ligera más rápida

• Arquitectura: TTS neuronal VITS con inferencia ONNX. Diseñado para computadoras de placa única y Linux embebido.
• Instalación: pip install piper-tts. Los paquetes de voz preentrenados están disponibles en el repositorio de Piper voices en Hugging Face.
• Uso: echo "Hola, mundo" | piper --model es_ES-mls-medium.onnx --output_file salida.wav
• Paquetes de voz: Más de 20 idiomas, múltiples opciones de voz por idioma. Cada paquete de voz es un archivo de modelo ONNX de 20–200 MB.
• Velocidad: ~10× más rápido que en tiempo real en una CPU de escritorio moderna. Tiempo real en Raspberry Pi 5. Latencia del primer audio inferior a 50 ms.
• Apple Silicon: ~15× tiempo real en M5 Pro (CPU, ARM NEON). Funciona de forma nativa sin GPU — excelente rendimiento en Mac.
• Escuchar muestras: Muestras de voz de Piper
• Ideal para: Asistentes de hogar, dispositivos de quiosco, interfaz de voz embebida, lectura en voz alta sensible a la privacidad donde no hay GPU disponible.
• Limitación: Sin clonación de voz. La calidad es "buena" — suena natural pero claramente sintética en comparación con XTTS v2 o StyleTTS 2.
• Licencia: MIT — completamente comercial, sin restricciones.
• Kokoro TTS — alternativa a Piper: Kokoro TTS es una alternativa emergente a Piper en la categoría ligera. Logra mayor naturalidad que Piper manteniéndose rápido en CPU. Licenciado bajo Apache 2.0. Si la calidad de Piper no cubre tus necesidades pero no puedes costear VRAM de GPU, Kokoro vale la pena probar.

Coqui TTS — Mejor kit de herramientas open source

• Instalación: pip install TTS. Los modelos se descargan automáticamente en el primer uso.
• Clonación de voz: Proporciona 6+ segundos de audio de referencia. tts --text "Hola" --model_name tts_models/es/css10/vits --speaker_wav muestra.wav --out_path salida.wav
• Opciones de backend: VITS (el más rápido, buena calidad), Tacotron2 (más antiguo, más lento), XTTS (mejor calidad, ver sección XTTS v2).
• Idiomas: Más de 20 modelos de idioma disponibles mediante tts --list_models.
• VRAM: 2–4 GB para el backend VITS; 4–6 GB para el backend XTTS.
• Apple Silicon: ~8× tiempo real en M5 Pro (CPU). Sin aceleración Metal GPU. Utilizable para generación por lotes.
• Estado de la comunidad: Coqui Inc cerró en enero de 2024. El repositorio open source (coqui-ai/TTS) lo mantiene la comunidad. Sin soporte comercial activo.
• Licencia: MPL 2.0 — uso comercial permitido, pero el código fuente de las modificaciones debe divulgarse.
• Ideal para: Desarrolladores que quieren clonación de voz con un kit de herramientas open source y licencia permisiva.
• Escuchar muestras: La demo oficial de coqui.ai está archivada. Ejemplos de audio de la comunidad están enlazados en el repositorio coqui-ai/TTS en GitHub en la sección de demos.

XTTS v2 — Mejor calidad de clonación de voz

• Arquitectura: TTS basado en GPT con condicionamiento del hablante. Vision-transformer para modelado de prosodia.
• Clonación de voz: Con 6 segundos de audio de referencia es suficiente para un clon de voz convincente. 3 segundos producen calidad aceptable.
• Clonación multilingüe: Clona la voz en un idioma, genera habla en 17 idiomas diferentes con las mismas características de voz.
• Idiomas (17): Inglés, español, francés, alemán, italiano, portugués, polaco, turco, ruso, neerlandés, checo, árabe, chino (zh-cn), japonés, húngaro, coreano e hindi. El coreano y el hindi se añadieron en XTTS v2.0.3.
• "Voces de XTTS v2": No hay un catálogo fijo de voces con nombre. XTTS v2 es un modelo de clonación — proporcionas un clip de referencia de 6 segundos y reproduce a ese hablante. El repositorio incluye unos pocos preajustes de hablante integrados para pruebas rápidas, pero el flujo de trabajo previsto es proporcionar tu propio speaker_wav.
• VRAM: Los pesos del modelo son ~2 GB. 4 GB de VRAM es el mínimo práctico; se recomiendan 4–6 GB para inferencia en tiempo real. Funciona en CPU pero ~5–10× más lento.
• Velocidad: Lento — genera ~2× tiempo real en un RTX 4070. No adecuado para pipelines de asistente de voz en tiempo real.
• Apple Silicon: ~3× tiempo real en M5 Pro (CPU, sin aceleración Metal). Utilizable para generación de audio por lotes, no para salida de asistente de voz en tiempo real.
• Escuchar muestras: Demo de XTTS v2 en Hugging Face
• Licencia: CPML (Coqui Public Model License) — no comercial. La CPML permite el uso personal, de investigación y de aficionado del modelo y de sus salidas de audio, pero prohíbe el uso comercial (cualquier producto de pago, SaaS, contenido con publicidad o trabajo para clientes) sin un acuerdo comercial separado. Coqui Inc cerró en enero de 2024, así que actualmente no hay ninguna entidad vendiendo licencias comerciales de XTTS v2 — en la práctica, trata XTTS v2 como solo no comercial. Consulta la sección de aceptación no interactiva de la CPML para la variable de entorno COQUI_TOS_AGREED.

from TTS.api import TTS

# Load XTTS v2 model
tts = TTS("tts_models/multilingual/multi-dataset/xtts_v2").to("cuda")

# Clone voice from 6-second reference audio and synthesize in any of 17 languages
tts.tts_to_file(
    text="Bonjour, je suis votre assistant vocal.",
    speaker_wav="reference_voice.wav",   # 6+ seconds of the target speaker
    language="fr",                        # Output in French using the cloned voice
    file_path="output.wav"
)

Bark — Audio generativo más allá del habla

• Capacidad única: Incluye `[laughs], [sighs], [clears throat], [music] o [sound effect: wind]` en tu texto y Bark genera esos sonidos junto al habla.
• No controlable como un TTS tradicional: La salida varía entre ejecuciones para la misma entrada. La calidad es inconsistente — algunas salidas son excelentes, otras tienen artefactos o segmentos incomprensibles.
• Velocidad: Lento — 2–4× más lento que en tiempo real incluso en un RTX 4090. No adecuado para aplicaciones interactivas.
• Apple Silicon: ~1,5× tiempo real en M5 Pro (CPU, MPS parcial). El soporte MPS (Metal Performance Shaders) es parcial — la mayor parte de la inferencia sigue cayendo en la CPU.
• Ideal para: Audio creativo, producción de podcasts con efectos de sonido, ficción interactiva, aplicaciones de voz experimentales.
• VRAM: GPU de 4–8 GB. Funciona en CPU con calidad significativamente inferior.
• Instalación: pip install suno-bark. Los modelos se descargan en la primera ejecución (~2 GB).
• Licencia: MIT — completamente comercial.
• Limitación: Sin clonación de voz fiable. Los "preajustes de voz" incluidos con Bark son aproximados — no es un sistema de clonación de voz real.

StyleTTS 2 — Máxima calidad natural

• Arquitectura: Transferencia de estilo basada en difusión. Muestrea desde una distribución aprendida de estilos de habla en lugar de mapear el texto al audio de forma determinista.
• Calidad: Las puntuaciones MOS más altas de cualquier motor TTS en inglés open source en el benchmark LJSpeech. Los oyentes lo califican como prácticamente indistinguible de la narración humana en pruebas controladas.
• Ideal para: Narración de audiolibros, voz profesional en off, producción de podcasts, cualquier aplicación donde la calidad en inglés importa más que la personalización de voz.
• Instalación: Clona el repositorio de GitHub, instala los requisitos (pip install -r requirements.txt), descarga los checkpoints del modelo (~500 MB).
• Soporte de idiomas: Principalmente inglés. Capacidad multilingüe limitada — no recomendado para uso en idiomas distintos al inglés.
• Clonación de voz: No compatible. StyleTTS 2 genera solo en voces de hablantes entrenadas.
• VRAM: GPU de 2–4 GB. Más rápido que XTTS v2 a ~5–8× tiempo real en RTX 4070.
• Apple Silicon: ~6× tiempo real en M5 Pro (CPU). Sin aceleración Metal, pero el rendimiento en ARM es sólido para generación de audio por lotes.
• Escuchar muestras: StyleTTS 2 en GitHub — busca "StyleTTS 2 audio samples" para ejemplos de la comunidad si la página de demo no está disponible.
• Licencia: MIT — completamente comercial.

F5-TTS — Clonación de voz zero-shot, totalmente abierto

• Arquitectura: Flow-matching (un enfoque variante de la difusión) en lugar de la arquitectura basada en GPT que usa XTTS v2. El flow-matching típicamente ofrece inferencia más rápida con calidad competitiva.
• Clonación de voz: ~3 segundos de audio de referencia es suficiente para clonación de voz zero-shot. No se requiere fine-tuning — funciona con cualquier voz en tiempo de inferencia.
• Calidad: Competitiva con XTTS v2 en inglés. Puntuaciones MOS aproximadamente ~4,1 en evaluaciones de la comunidad.
• Velocidad: ~3–5× tiempo real en RTX 4070 — más rápido que XTTS v2 (~2× tiempo real) para calidad de clonación de voz comparable.
• Idiomas: Multilingüe — soporte sólido para inglés y chino, con soporte en expansión para otros idiomas.
• Apple Silicon: ~2× tiempo real en M5 Pro (CPU). Sin aceleración Metal actualmente.
• VRAM: Se recomienda GPU de 3–5 GB. Menor huella que XTTS v2.
• Instalación: pip install f5-tts o clona desde GitHub.
• Licencia: CC-BY-NC-4.0 — solo uso no comercial. El uso comercial requiere un acuerdo separado con los autores.
• Por qué importa: F5-TTS trae una arquitectura más moderna a la clonación de voz local con una comunidad activa. Si XTTS v2 es demasiado lento para tu pipeline o su licencia CPML es una preocupación para proyectos no comerciales, F5-TTS es la principal alternativa a evaluar.

Licencias y uso comercial — ¿Puedo usar este motor TTS comercialmente?

Aceptar la CPML de forma no interactiva (COQUI_TOS_AGREED)

• Shell / CI: export COQUI_TOS_AGREED=1 antes de ejecutar tu script.
• Docker: añade ENV COQUI_TOS_AGREED=1 a tu Dockerfile, o pasa -e COQUI_TOS_AGREED=1 a docker run.
• Python (establécelo antes de que se cargue el modelo): `import os; os.environ["COQUI_TOS_AGREED"] = "1" — debe ejecutarse antes de que TTS(...)` instancie el modelo XTTS.
• Qué hace: registra la aceptación no interactiva de la CPML para que la carga del modelo no se bloquee en un prompt y/n. No es una licencia comercial y no elimina la restricción no comercial.

# 1) Shell / CI — accept the CPML once for the session
export COQUI_TOS_AGREED=1

# 2) Dockerfile — bake acceptance into the image
# ENV COQUI_TOS_AGREED=1

# 3) Python — set it before the model is created
import os
os.environ["COQUI_TOS_AGREED"] = "1"   # must be set BEFORE the TTS() call below

from TTS.api import TTS
tts = TTS("tts_models/multilingual/multi-dataset/xtts_v2").to("cuda")
# Model now loads without the interactive license prompt

TTS local vs ElevenLabs y TTS en la nube

• Techo de calidad: ElevenLabs > StyleTTS 2 ≈ XTTS v2 > F5-TTS ≈ Coqui TTS > Piper. ElevenLabs sigue siendo el techo de calidad en 2026 en consistencia y expresividad.
• Latencia: Piper local (~30–50 ms primer audio) es más rápido que cualquier viaje de ida y vuelta de la API de ElevenLabs (~300–500 ms). Para interfaz de voz en tiempo real, Piper local gana en latencia.
• Costo: ElevenLabs cobra $5–99/mes por nivel. El TTS local cuesta $0 después del hardware inicial. A escala (millones de caracteres/mes), lo local es significativamente más barato.
• Clonación de voz: ElevenLabs Instant Voice Clone ≈ calidad XTTS v2. ElevenLabs Professional Voice Clone (requiere una sesión de grabación del hablante) supera a cualquier motor local.
• Privacidad: TTS local = no se envían datos de audio a ningún lugar. ElevenLabs = audio procesado en sus servidores. Fundamental para contenido sensible.
• Capacidad offline: Local = completamente offline. ElevenLabs = requiere internet. Sin modo offline disponible.
• Cuándo usar la nube: Producción de voz profesional, productos orientados al cliente que requieren la más alta calidad, proyectos con múltiples voces de decenas de personajes.
• Cuándo usar lo local: Audio crítico para la privacidad, dispositivos embebidos, procesamiento por lotes sensible al costo, entornos offline, desarrollo y prototipado.

Cómo elegir

• ¿Necesitas clonación de voz? → Sí: XTTS v2 (mejor calidad, licencia CPML) o F5-TTS (arquitectura más nueva, más rápido, CC-BY-NC-4.0) o Coqui VITS (buena calidad, MPL 2.0). No: Piper (velocidad), StyleTTS 2 (calidad).
• ¿Necesitas funcionar solo en CPU / Raspberry Pi? → Solo Piper. Kokoro es una alternativa CPU de mayor calidad con licencia Apache 2.0. Todos los demás motores requieren GPU para un rendimiento aceptable.
• ¿Necesitas audio creativo con sonidos no hablados? → Bark. Ningún otro motor local produce risas, suspiros o música de forma nativa.
• ¿Necesitas la mejor calidad de narración en inglés? → StyleTTS 2. Supera a todos los demás en naturalidad para habla estilo audiolibro en inglés.
• ¿Necesitas soporte multilingüe? → XTTS v2 (17 idiomas, clonación multilingüe), Coqui (20+ idiomas), Piper (20+ paquetes de idioma).
• ¿Necesitas una licencia MIT completamente comercial? → Piper, Bark o StyleTTS 2. Evita XTTS v2 para uso comercial sin revisar el CPML. F5-TTS (CC-BY-NC-4.0) también prohíbe el uso comercial sin acuerdo separado.
• ¿Necesitas control de voz mediante descripción de texto? → Parler-TTS. Describe la voz que quieres ("un hombre mayor tranquilo hablando despacio") y genera habla con esas características. Sin audio de referencia necesario. GitHub
• ¿Construyendo un pipeline de asistente de voz? → Piper para salida TTS de baja latencia (ver /es/power-local-llm/build-local-voice-assistant-2026).

Preguntas frecuentes

Fuentes

• Piper TTS en GitHub — Código fuente, paquetes de voz, descargas de modelos ONNX y guía de configuración para Raspberry Pi.
• Coqui TTS en GitHub — Código fuente, lista de modelos, documentación de clonación de voz y referencia de API Python.
• Documentación de XTTS v2 — Ficha del modelo XTTS v2, licencia (CPML) y API de clonación de voz.
• Bark en GitHub — Código fuente, tokens de prompt de audio, descarga del modelo y ejemplos de salida.
• StyleTTS 2 en GitHub — Artículo de arquitectura, checkpoints del modelo y guía de inferencia.
• F5-TTS en GitHub — TTS de flow-matching con clonación de voz zero-shot, guía de instalación y soporte multilingüe.
• Kokoro TTS en GitHub — TTS ligero de alta calidad con licencia Apache 2.0, optimizado para CPU.
• Tortoise TTS en GitHub — TTS multivoz de alta calidad con clonación de voz, licencia Apache 2.0. Muy lento pero apto para uso comercial.
• XTTS-v2 LICENSE.txt (CPML) en Hugging Face — Texto completo de la Coqui Public Model License que rige XTTS v2.
• Piper voices en Hugging Face — Todas las descargas de paquetes de idioma/voz disponibles con información de licencia por voz.
• Muestras de voz de Piper — Demos de audio para todas las voces de Piper en los idiomas admitidos.

Lectura relacionada

• Construye un asistente de voz completamente offline en 2026 — Usa Piper o Coqui TTS como capa de salida de un pipeline completo de Whisper + LLM + TTS.
• Reconocimiento de voz local 2026: Whisper.cpp vs faster-whisper — El lado de entrada de un pipeline de voz: STT para complementar el TTS.
• Pipeline de IA multimodal local 2026 — Integra el TTS como capa de salida de voz de un stack multimodal completo.
• Construye un asistente de voz local en tu teléfono — Asistente de voz móvil usando TTS del sistema iOS o Piper.
• Mejores GPU económicas para LLM local — Selección de GPU para ejecutar inferencia de XTTS v2, F5-TTS, Bark o StyleTTS 2.
• Mejor IA de texto a voz para creadores de contenido — Piper vs Coqui XTTS vs ElevenLabs Local: comparación de calidad de voz y latencia.