Qué encontrarás en este artículo
- Qué puede hacer OpenVoice de MyShell y cómo funciona su técnica de dos etapas.
- Instalación, demo y generación de tus primeras voces personalizadas.
- Control de estilo: cambiar emoción, acento y ritmo de habla.
- Las limitaciones para usuarios de habla hispana y la alternativa XTTS.
- Aspectos legales y éticos: por qué clonar voces requiere consentimiento.
Qué es OpenVoice
OpenVoice es un proyecto de código abierto de MyShell que trae el clonado de voces a tu propio hardware. Su núcleo es una técnica de dos etapas: un motor de síntesis de voz normal genera primero audio en una voz base neutra, y un segundo modelo llamado Tone Color Converter aplica la coloración de voz de una persona de referencia sobre ese audio. El resultado: el texto suena como si la persona de referencia lo hubiera pronunciado, y el modelo solo necesita una muestra de audio breve de esa persona.
Lo que distingue a OpenVoice de otras herramientas de clonado es el control de estilo: separa la coloración de voz de todo lo demás. Puedes hacer que la misma voz clonada hable de forma alegre, triste, susurrante o con ritmo diferente sin perder la identidad vocal. El proyecto usa licencia MIT, funciona completamente local y es una de las pocas alternativas libres a servicios en la nube como ElevenLabs.
V1 y V2: Las diferencias
- OpenVoice V1 llegó a principios de 2024 y solo admitía inglés y chino. El Tone Color Converter fue la innovación técnica: clonar coloración de voz sin necesidad de reentrenar el modelo base.
- OpenVoice V2 mejoró significativamente la calidad de audio e introdujo multilingüismo mediante MeloTTS, que también pertenece a MyShell. Con V2 obtienes modelos base para inglés, español, francés, chino, japonés y coreano.
La limitación para usuarios de habla hispana
Este es el punto más importante para la audiencia hispanohablante: OpenVoice V2 no admite español de España ni de América Latina como idioma base en la implementación más común. MeloTTS, que proporciona las voces base, no tiene modelo para español en todas las variantes. En concreto: puedes clonar una voz, pero el texto debe generarse en uno de los seis idiomas soportados, de lo contrario sonará incorrecto.
Para clonado de voces en español, la opción local más práctica actualmente es Coqui XTTS v2, que admite español entre diecisiete idiomas y también clona voces usando una muestra de referencia. Así que si necesitas voces en español, XTTS es tu herramienta; si trabajas con inglés o uno de los seis idiomas de V2, OpenVoice es la opción más ágil. Para una visión general sobre síntesis de voz local, consulta el artículo sobre modelos de texto a voz.
Instalación
OpenVoice funciona mejor en Linux o WSL con GPU NVIDIA, aunque también trabaja en CPU, solo mucho más lentamente:
git clone https://github.com/myshell-ai/OpenVoice.git
cd OpenVoice
conda create -n openvoice python=3.9
conda activate openvoice
pip install -e .Luego descarga los checkpoints: V1 o V2 desde HuggingFace y descomprimelos en el directorio checkpoints o checkpoints_v2 respectivamente. Para V2, añade pip install melotts para el soporte multilingüe. La instalación descarga varios GB de archivos de modelo, así que tómate tu tiempo.
Tu primera generación de voz personalizada
La forma más rápida es usar la demo Gradio incluida:
python openvoice_app.py --shareEsto inicia una interfaz web donde introduces texto, subes un archivo de audio de referencia y ajustas los parámetros. Para integración propia, el código Python se ve así:
from openvoice import se_extractor
from openvoice.api import BaseSpeakerTTS, ToneColorConverter
# 1. Extraer coloración de voz del audio de referencia
target_se, _ = se_extractor.get_se(
"referencia.wav", tone_color_converter, vad=True
)
# 2. Generar texto en voz base
base_speaker_tts.tts(
"Este es una prueba.", "tmp.wav", speaker="default", language="English"
)
# 3. Aplicar la voz de referencia
tone_color_converter.convert(
audio_src_path="tmp.wav",
src_se=src_se,
tgt_se=target_se,
output_path="clonada.wav"
)El audio de referencia debe tener entre diez y treinta segundos de habla clara sin música ni ruido de fondo. Cuanto más limpia sea la fuente, más preciso será el clonado.
Control de estilo
Lo que diferencia a OpenVoice de la mayoría de herramientas de clonado es que puedes cambiar la coloración emocional y el ritmo sin perder la voz. Mediante parámetros como speed y control de estilo en V1 para inglés, puedes modificar el tono, velocidad de habla y pausas. En V2 el control de estilo es más compacto, pero la calidad de audio es mejor y hay más idiomas. En la práctica significa: clona una vez, luego usa esa misma voz para diferentes tonos, desde explicación serena hasta pitch energético.
Casos de uso prácticos
- Voces en off para vídeos: Usa tu propia voz para contenido de YouTube sin necesidad de grabar cada vez. Es especialmente útil para canales automatizados, similar a la automatización de YouTube sin rostro.
- Audiolibros y podcasts: Genera textos largos con tu propia voz.
- Asistente de voz: Usa tu voz para un asistente local, combinado con asistente de voz local.
- Prototipado: Prueba voces para personajes o demos antes de contratar a un locutor.
- Multilingüismo: Usa una única muestra de referencia para generar en inglés, español y los otros idiomas de V2.
Aspectos legales y éticos del clonado de voces
Lo principal: clonar la voz de alguien sin consentimiento es problemático legalmente y éticamente cuestionable. En países de habla hispana, la voz está protegida por derechos de personalidad, y usar voces clonadas para fraude, desinformación o difamación es delito. Incluso para experimentos privados: usa solo tu propia voz o con consentimiento explícito. Si usas OpenVoice en producción, debes etiquetar las salidas como generadas por IA, y muchas plataformas como YouTube ya lo exigen.
Preguntas frecuentes sobre OpenVoice
¿Qué puede hacer OpenVoice?
OpenVoice clona la coloración de voz de una persona a partir de una muestra de audio breve y la aplica a generaciones de síntesis de voz. También puede controlar estilo, emoción y velocidad de habla sin perder la identidad de la voz clonada.¿Admite OpenVoice español?
Sí, V2 admite inglés, español, francés, chino, japonés y coreano. Sin embargo, la disponibilidad de modelos puede variar según la implementación específica. Para máxima compatibilidad con español, Coqui XTTS v2 es una excelente alternativa local.¿Es OpenVoice gratuito?
Sí, el proyecto está bajo licencia MIT y funciona completamente local. Los únicos costos son el hardware, y una GPU acelera significativamente el proceso.¿Cuánto debe durar el audio de referencia?
Diez a treinta segundos de habla clara generalmente son suficientes. Lo importante es que la grabación esté libre de música, eco y ruido de fondo, de lo contrario esos defectos se propagarán al clonado.¿Puedo usar OpenVoice para mi voz en YouTube?
Sí, y este es uno de los mejores casos de uso: clona tu voz una vez, luego convierte scripts a audio sin necesidad de grabar cada vez. Solo recuerda el requisito de etiquetar el contenido generado por IA.¿Necesito una GPU?
No es obligatorio, pero se recomienda fuertemente. En CPU la conversión funciona, solo mucho más lentamente. Para uso regular o aplicaciones en tiempo real, una GPU NVIDIA es prácticamente esencial.¿Cómo funciona el control de estilo?
OpenVoice separa la coloración de voz de parámetros de estilo como emoción, acento, velocidad y pausas. La misma voz clonada puede sonar alegre, tranquila o enfática sin perder su identidad.¿Cuál es la diferencia con ElevenLabs?
ElevenLabs es un servicio en la nube con mejor calidad de audio y más idiomas, incluido español con excelente calidad. OpenVoice es gratuito, local y de código abierto, pero limitado a seis idiomas. Elige OpenVoice si la privacidad es tu prioridad, ElevenLabs si necesitas calidad y español profesional.¿Es legal clonar voces?
Tu propia voz sí, voces ajenas solo con consentimiento. La voz es un derecho de personalidad, y usar clonados para fraude o falsas afirmaciones es delito. En uso productivo debe indicarse claramente el origen de IA.¿Cómo reconozco la salida clonada?
La calidad depende mucho del audio de referencia. En V1 y V2, con escucha atenta suele detectarse el origen computacional. Para podcasts y vídeos suele ser suficiente, para uso profesional los servicios en la nube aún van un paso adelante.¿Puedo usar la voz para mi asistente?
Sí, si el flujo es correcto: OpenVoice para la salida, STT local para entrada, LLM para respuestas. Entonces tu asistente habla con tu propia voz, local y sin servicios en la nube.¿Qué es MeloTTS?
MeloTTS es el modelo de síntesis de voz de MyShell que proporciona las voces base para OpenVoice V2. Cubre los seis idiomas admitidos y es la razón por la que V2 es multilingüe, pero no incluye todas las variantes del español.¿Qué tan rápida es la conversión?
En una GPU competente toma segundos por sección. En CPU puede tomar minutos según la duración. Para textos largos, conviene dividirlos en párrafos y procesarlos en lotes.¿Hay alternativas para español?
Sí: Coqui XTTS v2 para clonado de voces con español, Piper y eSpeak para síntesis rápida local sin clonado, y alternativas en la nube como ElevenLabs o Cartesia para máxima calidad. OpenVoice sigue siendo la opción libre más potente en sus idiomas soportados.¿Con qué frecuencia se actualiza OpenVoice?
El proyecto ha dado dos grandes saltos con V1 y V2 y permanece activo, aunque el ritmo no es fijo. Vale la pena revisar GitHub en las secciones de Releases e Issues para verificar el estado actual.Cuándo vale la pena OpenVoice
OpenVoice es la herramienta correcta si quieres clonado de voces local y gratuito y los seis idiomas soportados son suficientes para ti. El control de estilo la convierte en la oferta de código abierto más potente en su categoría, pero la ausencia de soporte completo para todas las variantes del español es la limitación que afectará a muchos lectores. Si necesitas clonar voces en español, ve a XTTS; si trabajas con inglés u otros de los idiomas soportados, obtienes con OpenVoice una herramienta licenciada bajo MIT que funciona en tu hardware y mantiene tu voz donde debe estar: bajo tu control.