Piper vs Chatterbox TTS (2026): ¿voz local rápida o clonación de voz?

Qué hace realmente cada herramienta

• Piper: síntesis rápida, de voz fija, orientada a CPU. Piper convierte texto a fonemas usando espeak-ng, y luego sintetiza una forma de onda a partir de esos fonemas con un modelo tipo VITS exportado a ONNX Runtime, lo que lo hace lo bastante rápido para funcionar en tiempo real en una Raspberry Pi. Cada voz es un modelo entrenado y descargable por separado — no existe mecanismo para generar una voz nueva a partir de una muestra.
• Chatterbox: clonación de voz zero-shot sobre una base Llama. Chatterbox, publicado por Resemble AI, usa una arquitectura de 0,5 mil millones de parámetros construida sobre una base Llama. Con un clip de audio de referencia corto — aproximadamente 7 a 20 segundos, según la propia metodología de evaluación publicada por Resemble AI — clona esa voz y genera nueva voz con ella, sin ajuste fino ni entrenamiento adicional.
• Control de exageración (solo Chatterbox). Chatterbox expone un parámetro exaggeration (valor por defecto 0,5) que ajusta la intensidad emocional del habla generada; la propia documentación del proyecto indica que subirlo tiende a acelerar el ritmo, y bajar el parámetro cfg (guía sin clasificador) puede compensarlo con un ritmo más lento y pausado.
• Marca de agua neuronal (solo Chatterbox). Cada clip de audio que genera Chatterbox incluye una marca de agua Perth imperceptible, diseñada por Resemble AI para sobrevivir a la compresión MP3 y a la edición de audio habitual, pensada para que el habla generada por IA sea identificable después.
• Piper no tiene clonación, control emocional ni marca de agua — es una herramienta deliberadamente más estrecha, que cambia esas capacidades por velocidad solo con CPU y un consumo de recursos mucho menor.

Comparativa lado a lado

Ejemplos de uso reales

• Piper no necesita ninguna configuración de GPU — pip install piper-tts instala automáticamente su dependencia de CPU de ONNX Runtime.
• Chatterbox funciona en CPU (device="cpu"), pero la generación en tiempo real y el bajo rendimiento de latencia documentado asumen aceleración por GPU.

# ── Piper: instalar y sintetizar en CPU ────────────────────────────────
pip install piper-tts
python3 -m piper.download_voices en_US-lessac-medium
python3 -m piper -m en_US-lessac-medium -f test.wav -- "This is a test."

# API de Python de Piper
from piper import PiperVoice
voice = PiperVoice.load("en_US-lessac-medium.onnx")
with open("test.wav", "wb") as wav_file:
    voice.synthesize_wav("Hello from Piper.", wav_file)

# ── Chatterbox: instalar y clonar una voz ──────────────────────────────
pip install chatterbox-tts

import torchaudio as ta
from chatterbox.tts import ChatterboxTTS

device = "cuda"  # GPU recomendada; "cpu" también funciona, mucho más lento
model = ChatterboxTTS.from_pretrained(device=device)

# Generar con la voz por defecto del modelo
wav = model.generate("This is a test.")
ta.save("output.wav", wav, model.sr)

# Clon zero-shot desde un clip de referencia corto, con ajuste de exageración
AUDIO_PROMPT_PATH = "reference_voice.wav"
wav = model.generate(
    "This is the cloned voice speaking a new sentence.",
    audio_prompt_path=AUDIO_PROMPT_PATH,
    exaggeration=0.6,
)
ta.save("output_cloned.wav", wav, model.sr)

Licencia y coste de hardware

Quién debería usar cuál

• Asistentes de voz y dispositivos embebidos → Piper. Rendimiento en tiempo real en una Raspberry Pi o hardware de bajo consumo similar, sin dependencia de GPU, es exactamente para lo que está construido Piper — por eso es el motor TTS local por defecto en la canalización de voz de Home Assistant.
• Herramientas de accesibilidad y lectores de pantalla → Piper. Voces fijas y confiables, y baja latencia en hardware modesto, importan aquí más que la expresividad o la clonación.
• Narración de audiolibros o doblaje con una voz específica → Chatterbox. La clonación zero-shot desde un clip de referencia corto, combinada con el control de exageración para el ritmo y la interpretación, encaja con trabajo de narración que necesita una voz consistente y reconocible.
• Productos de voz personalizados o de marca → Chatterbox. Si la propuesta de valor del producto depende de una voz clonada específica — un narrador, una mascota de marca, un asistente personal con una persona elegida —, Piper no puede hacer esto en absoluto; Chatterbox está construido para ello.
• Flotas de servidores solo CPU con presupuesto ajustado y alto volumen de llamadas → Piper. El bajo consumo de recursos de Piper escala de forma más predecible en muchas instancias concurrentes solo con CPU que un modelo atado a GPU.
• Si tienes dudas, empieza con Piper. No tiene dependencia de GPU, se instala con un solo comando pip install piper-tts, y cubre el caso común de "leer este texto en voz alta" sin ningún requisito de clonación. Pasa a Chatterbox específicamente cuando un proyecto necesite clonar una voz en particular.

Para qué no sirve ninguna de las dos

• Piper no puede clonar una voz a partir de una muestra, punto. Si alguna parte del requisito implica reproducir la voz de una persona específica a partir de audio de referencia, Piper es la herramienta equivocada sin importar las restricciones de hardware — usa Chatterbox o XTTS v2 en su lugar.
• Chatterbox en hardware solo CPU no encaja bien con el uso en tiempo real. Funciona en CPU (device="cpu"), pero su rendimiento de baja latencia documentado asume aceleración por GPU; trata a Chatterbox solo con CPU como adecuado para generación por lotes fuera de línea, no para voz interactiva en tiempo real.
• Ninguna herramienta aborda el consentimiento para clonar la voz de una persona real. Clonar o sintetizar la voz de una persona real e identificable sin su conocimiento o consentimiento plantea cuestiones de consentimiento, derecho de imagen y potencialmente fraude o suplantación de identidad que existen con independencia de la licencia de software de ambos proyectos — esto aplica sin importar qué herramienta se use, y sin importar el contexto comercial o personal.
• GPL-3.0 en el repositorio actual de Piper es una restricción real para redistribución de código cerrado. Si un despliegue implica modificar y redistribuir el propio código fuente de Piper dentro de un producto de código cerrado, aplican los términos GPL-3.0-or-later del repositorio actual — esto no existía bajo el repositorio original con licencia MIT, así que los planes hechos antes de octubre de 2025 deben revisarse de nuevo.
• La preferencia reportada de Chatterbox frente a ElevenLabs es una afirmación del proveedor, no un benchmark independiente. Resemble AI, la empresa que publica Chatterbox, reporta una preferencia de evaluadores ciegos por Chatterbox frente a ElevenLabs, basada en evaluaciones realizadas mediante la plataforma externa Podonos. PromptQuorum no ha reproducido esta evaluación de forma independiente; trátala como una afirmación del propio editor del modelo, no como un resultado de terceros verificado, y pondérala en consecuencia si la calidad de voz frente a ElevenLabs es un factor decisivo para tu proyecto.

Alternativas

Preguntas frecuentes

Veredicto

Fuentes

• OHF-Voice/piper1-gpl en GitHub — el repositorio de Piper activamente mantenido: README, documentación, licencia, historial de versiones.
• rhasspy/piper en GitHub — el repositorio original de Piper, hoy archivado (licencia MIT), archivado el 6 de octubre de 2025.
• resemble-ai/chatterbox en GitHub — el repositorio oficial de Chatterbox: README, licencia, documentación de instalación y uso.
• Resemble AI: Chatterbox — la página propia de Resemble AI que describe la preferencia reportada de evaluadores ciegos frente a ElevenLabs vía Podonos.
• Análisis de Piper TTS — el análisis dedicado de PromptQuorum sobre Piper, incluyendo el historial del cambio de licencia de 2025.

Lecturas relacionadas

• Análisis de Piper TTS — la historia completa, el paso a paso de instalación y el análisis de licencia de Piper.
• Análisis de XTTS v2 — otro modelo de clonación de voz zero-shot, con licencia no comercial, comparado para lectores que necesitan clonación multilingüe.
• Licencias de TTS y clonación de voz locales: Piper, XTTS v2, F5-TTS y Coqui — el análisis de licencias en profundidad para motores TTS locales.
• ElevenLabs vs Piper vs XTTS v2 — la comparativa nube vs local para lectores que deciden si quieren autoalojar.
• Build a Fully Offline Voice Assistant in 2026 — conecta Piper con un LLM local y un motor de reconocimiento de voz para formar una canalización de voz completa.