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.
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
ffmpegpara 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:
# 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:latestLista las voces. La primera letra es el idioma y la segunda el género: a inglés americano, b inglés británico, e español.
curl -s localhost:8880/v1/audio/voices | python3 -m json.tool | grep '"id"' | head -60Las 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:
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.wavPara 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
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:
for f in escena-*.wav; do echo "file '$f'"; done > lista.txt
ffmpeg -f concat -safe 0 -i lista.txt -c copy locucion.wavQué 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.
| 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_alexyem_santade 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-1en 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-hdademás descargó el modelo XTTS v2, 1,8 GB en disco, y el contenedor lo mantiene cargado después: miradocker statsy 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.
- Haz el camino inverso, de voz a texto, con Whisper en tu propio hardware.
- Crea las imágenes del mismo vídeo en la misma máquina: ComfyUI, generación de imágenes por lotes, unas diez imágenes por minuto en nuestra DGX Spark (2-11-2026).
- Nuestro lado creador está en j4sgon.com y en YouTube.
¿Montas una cadena de contenido para el canal de tu empresa? Es un proyecto que hacemos: reserva una llamada de 15 minutos o mira cómo trabajamos en consultoría.