# Locuciones para tus vídeos con texto a voz local y abierto

> Medimos 23 combinaciones de voz e idioma de 3 motores de texto a voz en nuestra DGX Spark. Kokoro lee un guion de un minuto en menos de 2 segundos.

- Publicado: 2026-11-10
- Autor: Jacobo González Jaspe
- Idioma: es
- Etiquetas: Texto a voz, Kokoro, Creadores, IA local, Español
- URL canónica: https://vorluxai.com/blog/local-voiceovers-your-videos-with-open-source-text-to-speech-es/
- Fuente: VORLUX AI (J4SGON S.L.), https://vorluxai.com/

---

Al terminar este artículo tendrás un servidor local de texto a voz leyendo los guiones de tus vídeos, en español o en inglés, y sabrás qué voces evitar. Corre en Docker; con una GPU va rapidísimo, pero el motor que recomendamos también tiene imagen para CPU.

Medimos tres motores con el mismo guion, porque la primera versión de este artículo ponía una voz inglesa a leer texto en español. Ese error es ahora una fila de la tabla.

> **TL;DR**
> * **Kokoro** (82 millones de parámetros, licencia Apache 2.0) generó entre 50 y 67 segundos de audio en 1,4 a 1,9 segundos en nuestra GPU, y Whisper transcribió sus tres voces españolas casi palabra por palabra.
> * Las seis voces por defecto de **openedai-speech** (Piper) son modelos ingleses. Con texto en español, Whisper falló entre una palabra de cada cinco y una de cada tres.
> * Veredicto: **usa Kokoro** para narrar. Sáltate las voces inglesas para el español, diga lo que diga el menú de la herramienta.

## Qué necesitas

* Docker, y una GPU NVIDIA si quieres las velocidades de abajo (hay imagen para CPU; no la hemos cronometrado)
* Un guion en texto plano, un párrafo por escena
* `ffmpeg` para convertir o unir los archivos
* 20 minutos

## Paso 1: arranca Kokoro

Kokoro-FastAPI envuelve el modelo Kokoro en una API compatible con OpenAI en el puerto 8880:

```bash
# con GPU NVIDIA
docker run -d --gpus all -p 8880:8880 --name kokoro ghcr.io/remsky/kokoro-fastapi-gpu:latest
# solo CPU
docker run -d -p 8880:8880 --name kokoro ghcr.io/remsky/kokoro-fastapi-cpu:latest
```

Lista las voces. La primera letra es el idioma y la segunda el género: `a` inglés americano, `b` inglés británico, `e` español.

```bash
curl -s localhost:8880/v1/audio/voices | python3 -m json.tool | grep '"id"' | head -60
```

Las voces españolas son `ef_dora`, `em_alex` y `em_santa`.

## Paso 2: genera tu primera locución

Elige una voz española **y** fija el código de idioma, para que el texto se pronuncie con reglas del español:

```bash
curl -s localhost:8880/v1/audio/speech -H 'Content-Type: application/json' \
  -d '{"model":"kokoro","voice":"em_alex","lang_code":"e","input":"Bienvenido de nuevo al canal.","response_format":"wav"}' \
  -o intro.wav
```

Para inglés, cambia a una voz como `af_heart` y quita `lang_code`. Si la salida suena a un angloparlante leyendo español, la voz o el `lang_code` están mal.

## Paso 3: un archivo por escena, y luego únelos

```python
import pathlib, requests

paragraphs = pathlib.Path("guion.txt").read_text(encoding="utf-8").split("\n\n")
for i, text in enumerate(paragraphs, 1):
    r = requests.post("http://localhost:8880/v1/audio/speech", json={
        "model": "kokoro", "voice": "em_alex", "lang_code": "e",
        "input": text, "response_format": "wav"}, timeout=300)
    r.raise_for_status()
    pathlib.Path(f"escena-{i:02d}.wav").write_bytes(r.content)
```

Un archivo por escena significa que una corrección vuelve a generar un párrafo, no el vídeo entero. Únelos para escucharlo de corrido, o arrastra las escenas directamente al editor:

```bash
for f in escena-*.wav; do echo "file '$f'"; done > lista.txt
ffmpeg -f concat -safe 0 -i lista.txt -c copy locucion.wav
```

## Qué medimos

El 8 de octubre de 2026 ejecutamos `scripts/bench/tts_voices.py` en nuestra DGX Spark (GB10, 128 GB de memoria unificada). Envía el mismo guion, 159 palabras en español y 160 en inglés, a cada motor y voz: una petición de calentamiento y dos cronometradas. Anota el tiempo real, la duración del audio según la cabecera WAV y el factor de tiempo real (RTF: segundos de audio por segundo de trabajo). Después Whisper medium (Speaches, con el idioma fijado) transcribe cada archivo y calculamos la tasa de error de palabras (WER) frente al guion. Resultados en bruto: [tts-voices-2026-10-08.json](https://vorluxai.com/data/measurements/tts-voices-2026-10-08.json).

| Motor, modelo (dónde corrió) | Voces | Guion | RTF | Tiempo | WER |
|---|---|---|---|---|---|
| Kokoro (GPU) | ef_dora, em_alex, em_santa | Español | 35,6 a 35,7 | 1,4 s | 0,6 % a 1,9 % |
| Kokoro (GPU) | af_heart (voz inglesa) | Español | 35,9 | 1,9 s | 11,3 % |
| Kokoro (GPU) | af_heart, am_michael, bf_emma | Inglés | 33,8 a 34,9 | 1,5 a 1,7 s | 0 % |
| openedai-speech `tts-1`, Piper (CPU) | alloy, echo, fable, onyx, nova, shimmer | Español | 12,6 a 14,8 | 3,3 a 4,2 s | 18,2 % a 31,4 % |
| openedai-speech `tts-1`, Piper (CPU) | las mismas seis | Inglés | 11,3 a 14,2 | 2,8 a 3,4 s | 0 % a 4,4 % |
| openedai-speech `tts-1-hd`, XTTS v2 (CPU) | alloy, nova | Español | 0,21 | 319 a 338 s | 1,3 % |
| openedai-speech `tts-1-hd`, XTTS v2 (CPU) | alloy, nova | Inglés | 0,19 a 0,20 | 317 s | 0 % |

El audio duró entre 36 y 69 segundos según la voz. Los WAV ocuparon entre 1,6 y 3,3 MB.

Qué significan los números en la práctica:

* **Español que funciona:** las voces `ef_dora`, `em_alex` y `em_santa` de Kokoro, y XTTS v2. Whisper las transcribió con entre uno y tres fallos en 159 palabras.
* **Español que no funciona:** las seis voces Piper que hay detrás de `tts-1` en openedai-speech. Son modelos ingleses (`en_US-libritts_r`, `en_GB-northern_english_male`). Whisper oyó «arquivo» por *archivo* y «paráforo» por *párrafo*. La voz inglesa de Kokoro con texto español fue mejor, pero aún falló una palabra de cada nueve.
* **XTTS v2 es bueno y aquí es lento.** Nuestro contenedor de openedai-speech no tiene GPU, así que XTTS corrió en CPU a una quinta parte del tiempo real: unos cinco minutos por minuto de audio. La primera petición a `tts-1-hd` además descargó el modelo XTTS v2, 1,8 GB en disco, y el contenedor lo mantiene cargado después: mira `docker stats` y reinicia el contenedor si necesitas recuperar esa memoria.

## Lo que no te dicen

La WER dice si un reconocedor de voz entendió la voz. No dice si suena cálida, natural o adecuada para tu canal. Nuestro guion además es fácil: sin marcas ni cifras. Escucha las tres voces españolas de Kokoro con tu propio guion antes de elegir.

La ficha del modelo Kokoro califica sus voces inglesas, pero no las españolas, así que no había afirmación del fabricante que comprobar; esta tabla es la única nota que tenemos.

## Dónde encaja

Recorridos de producto, vídeos de novedades, píldoras de formación y primeras versiones de una narración encajan bien: la voz es idéntica cada vez, así que una corrección del martes suena igual que la toma del lunes. Un locutor humano sigue ganando en emoción y en nombres propios difíciles.

Si publicas voz sintética, dilo. Una línea como «Voz sintética generada con IA» en la descripción basta y no cuesta nada.

## Próximos pasos

* Saca tus propios números con nuestra guía para [medir un modelo local en 30 minutos](https://vorluxai.com/blog/benchmark-modelo-local-tu-ordenador-30-minutos-es/).
* Haz el camino inverso, de voz a texto, con [Whisper en tu propio hardware](https://vorluxai.com/blog/whisper-actas-reunion-privadas-tu-hardware-es/).
* Crea las imágenes del mismo vídeo en la misma máquina: [ComfyUI, generación de imágenes por lotes](https://vorluxai.com/blog/tutorial-comfyui-generacion-imagenes-lote/), unas diez imágenes por minuto en nuestra DGX Spark (2-11-2026).
* Nuestro lado creador está en [j4sgon.com](https://j4sgon.com) y en [YouTube](https://www.youtube.com/@J4S_GON).

¿Montas una cadena de contenido para el canal de tu empresa? Es un proyecto que hacemos: [reserva una llamada de 15 minutos](https://vorluxai.com/contact/) o mira [cómo trabajamos en consultoría](https://vorluxai.com/consulting/).
