{
  "_published": {
    "source": "docs/measurements/tts-voices-2026-10-08.json",
    "published": "2026-11-05",
    "publisher": "J4SGON S.L., vorluxai.com",
    "index": "https://vorluxai.com/data/",
    "cleaned": "Copied from our internal repository by scripts/publish_measurements.py. Every number is unchanged. Redacted: nothing. Hostnames (spark-43d5, spark-7180) and the PRIME / spark2 labels are kept: the posts use them.",
    "redactions": {}
  },
  "measured_at": "2026-10-08T22:26:56+00:00",
  "host": "spark-43d5",
  "machine": "DGX Spark GB10 (PRIME), 128 GB unified memory",
  "command": "python3 scripts/bench/tts_voices.py --reps 2 --out docs/measurements/tts-voices-2026-10-08.json",
  "engines": {
    "openedai-speech": "ghcr.io/matatonic/openedai-speech:latest sha256:fb976255d3067dda5fb70bf01a2e19c999235da319b64dfc6bf5fe026e6c3ed6 (CPU, no GPU device)",
    "kokoro": "ghcr.io/remsky/kokoro-fastapi-gpu:latest sha256:874cf8aab60a8828fb029cd24a7adae33b58157bb9c6ef5ad34dc006498bd919 (GPU)",
    "stt": "ghcr.io/speaches-ai/speaches:latest-cuda sha256:5b3bf06e65be312c140cf45823a9a17037206cddbf7dab3332e0ba6c05b63834 model Systran/faster-whisper-medium"
  },
  "scripts": {
    "en": "Welcome back to the channel. Today we are going to record a voiceover without sending a single word to the cloud. Everything you hear runs on one machine in our office in Valencia. First, we write the script in a plain text file, one paragraph per scene. Then we send each paragraph to a local text to speech server and save the audio next to the video clips. The server speaks the same voice every time, so a correction on Tuesday sounds exactly like the take you recorded on Monday. That consistency is the main reason we stopped recording ourselves for tutorials. It is not perfect. Proper names, numbers and acronyms still need a careful read, and a human narrator wins on emotion every single time. But for a product walkthrough, a changelog video or a training clip, a local voice is fast, private and free to run. Let us look at how to set it up, step by step.",
    "es": "Bienvenido de nuevo al canal. Hoy vamos a grabar una locución sin enviar ni una sola palabra a la nube. Todo lo que escuchas se ejecuta en una máquina de nuestra oficina en Valencia. Primero escribimos el guion en un archivo de texto, un párrafo por escena. Después enviamos cada párrafo a un servidor local de texto a voz y guardamos el audio junto a los clips de vídeo. El servidor usa la misma voz cada vez, así que una corrección del martes suena igual que la toma del lunes. Esa coherencia es la razón principal por la que dejamos de grabarnos para los tutoriales. No es perfecto. Los nombres propios, los números y las siglas necesitan una lectura atenta, y un locutor humano gana siempre en emoción. Pero para un recorrido de producto, un vídeo de novedades o una píldora de formación, una voz local es rápida, privada y gratuita de ejecutar. Veamos cómo montarla paso a paso."
  },
  "script_words": {
    "en": 160,
    "es": 159
  },
  "method": "1 warm-up + N timed requests per config, response_format=wav, speed=1.0; RTF = audio seconds / wall seconds; WER via Whisper medium with forced language, punctuation stripped",
  "results": [
    {
      "engine": "openedai-speech",
      "model": "tts-1",
      "voice": "alloy",
      "lang": "en",
      "runs": [
        {
          "wall_s": 3.16,
          "audio_s": 38.17,
          "bytes": 1683534,
          "rtf": 12.08
        },
        {
          "wall_s": 3.625,
          "audio_s": 38.08,
          "bytes": 1679438,
          "rtf": 10.5
        }
      ],
      "median_rtf": 11.29,
      "median_wall_s": 3.39,
      "audio_s": 38.08,
      "wav_bytes": 1679438,
      "wer": 0.044,
      "transcript": "Welcome back to the channel. The day we are going to record a voiceover without sending a single word to the cloud. Everything you hear runs on one machine in our office in Valencia. First, we write the script in a plain text file, one paragraph per scene. Then we send each paragraph to a local text-to-speech server and save the audio next to the video clips. The server speaks the same voice every time, so a correction on Tuesday sounds exactly like the take you recorded on Monday. That consistency is the main reason we stopped recording ourselves for tutorials. It is not perfect. Proper names, numbers and acronyms still need a careful read, and a human narrator wins on emotion every single time. A fur product walk, through a changelog video or a training clip, a local voice is fast, private and free to run. Let us look at how to set it up, step by step.",
      "audio_file": "openedai-speech_tts-1_alloy_en.wav"
    },
    {
      "engine": "openedai-speech",
      "model": "tts-1",
      "voice": "echo",
      "lang": "en",
      "runs": [
        {
          "wall_s": 3.187,
          "audio_s": 42.48,
          "bytes": 1873486,
          "rtf": 13.33
        },
        {
          "wall_s": 3.305,
          "audio_s": 42.75,
          "bytes": 1885262,
          "rtf": 12.94
        }
      ],
      "median_rtf": 13.13,
      "median_wall_s": 3.25,
      "audio_s": 42.75,
      "wav_bytes": 1885262,
      "wer": 0.037,
      "transcript": "Welcome back to the channel. Today we are going to record a voiceover without sending a single word to the cloud. Everything you hear runs on one machine in our office in Valencia. First, we write the script in a plain text file, one paragraph per scene. Then we send each paragraph to a local text to speech server and save the audio next to the video clips. The server speaks the same voice every time, so a correction on Tuesday sounds exactly like the take you recorded on Monday. That consistency is the main reason we stopped recording ourselves for tutorials. It is not perfect. Proper names, numbers and acronyms still need a careful read, and a human narrator wins on emotion every single time. Before product walk, through a changelog video or training clip, a local voice is fast, private and free to run. Let us look at how to set it up, step by step.",
      "audio_file": "openedai-speech_tts-1_echo_en.wav"
    },
    {
      "engine": "openedai-speech",
      "model": "tts-1",
      "voice": "fable",
      "lang": "en",
      "runs": [
        {
          "wall_s": 3.248,
          "audio_s": 47.13,
          "bytes": 2078286,
          "rtf": 14.51
        },
        {
          "wall_s": 3.351,
          "audio_s": 46.82,
          "bytes": 2064974,
          "rtf": 13.97
        }
      ],
      "median_rtf": 14.24,
      "median_wall_s": 3.3,
      "audio_s": 46.82,
      "wav_bytes": 2064974,
      "wer": 0.0,
      "transcript": "Welcome back to the channel. Today we are going to record a voiceover without sending a single word to the cloud. Everything you hear runs on one machine in our office in Valencia. First we write the script in a plain text file, one paragraph per scene. Then we send each paragraph to a local text-to-speech server and save the audio next to the video clips. The server speaks the same voice every time, so a correction on Tuesday sounds exactly like the take you recorded on Monday. That consistency is the main reason we stopped recording ourselves for tutorials. It is not perfect. Proper names, numbers and acronyms still need a careful read and a human narrator wins on emotion every single time. But for a product walkthrough, a changelog, video or a training clip, a local voice is fast, private and free to run. Let us look at how to set it up step by step.",
      "audio_file": "openedai-speech_tts-1_fable_en.wav"
    },
    {
      "engine": "openedai-speech",
      "model": "tts-1",
      "voice": "onyx",
      "lang": "en",
      "runs": [
        {
          "wall_s": 2.765,
          "audio_s": 36.14,
          "bytes": 1593934,
          "rtf": 13.07
        },
        {
          "wall_s": 2.908,
          "audio_s": 36.5,
          "bytes": 1609806,
          "rtf": 12.55
        }
      ],
      "median_rtf": 12.81,
      "median_wall_s": 2.84,
      "audio_s": 36.5,
      "wav_bytes": 1609806,
      "wer": 0.013,
      "transcript": "Welcome back to the channel. Today we are going to record a voiceover without sending a single word to the cloud. Everything you hear runs on one machine in our office in Valencia. First we write the script in a plain text file, one paragraph per scene. Then we send each paragraph to a local text to speech server and save the audio next to the video clips. The server speaks the same voice every time, so a correction on Tuesday sounds exactly like the take you recorded on Monday. That consistency is the main reason we stopped recording ourselves for tutorials. It is not perfect. Proper names, numbers and acronyms still need a careful read, and a human narrator wins on emotion every single time. But for a product walk, through a changelog video or a training clip, a local voice is fast, private and free to run. Let us look at how to set it up, step by step.",
      "audio_file": "openedai-speech_tts-1_onyx_en.wav"
    },
    {
      "engine": "openedai-speech",
      "model": "tts-1",
      "voice": "nova",
      "lang": "en",
      "runs": [
        {
          "wall_s": 3.319,
          "audio_s": 38.7,
          "bytes": 1706574,
          "rtf": 11.66
        },
        {
          "wall_s": 2.775,
          "audio_s": 37.83,
          "bytes": 1668174,
          "rtf": 13.63
        }
      ],
      "median_rtf": 12.64,
      "median_wall_s": 3.05,
      "audio_s": 37.83,
      "wav_bytes": 1668174,
      "wer": 0.013,
      "transcript": "Welcome back to the channel. Today we are going to record a voiceover without sending a single word to the cloud. Everything you hear runs on one machine in our office in Valencia. First, we write the script in a plain text file, one paragraph per scene. Then we send each paragraph to a local text-to-speech server and save the audio next to the video clips. The server speaks the same voice every time, so a correction on Tuesday sounds exactly like the take you recorded on Monday. That consistency is the main reason we stopped recording ourselves for tutorials. It is not perfect. Proper names, numbers and acronyms still need a careful read, and a human narrator wins on emotion every single time. But for a product walk, through a changelog video or a training clip, a local voice is fast, private and free to run. Let us look at how to set it up step by step.",
      "audio_file": "openedai-speech_tts-1_nova_en.wav"
    },
    {
      "engine": "openedai-speech",
      "model": "tts-1",
      "voice": "shimmer",
      "lang": "en",
      "runs": [
        {
          "wall_s": 3.35,
          "audio_s": 44.1,
          "bytes": 1944654,
          "rtf": 13.16
        },
        {
          "wall_s": 3.116,
          "audio_s": 43.4,
          "bytes": 1913934,
          "rtf": 13.93
        }
      ],
      "median_rtf": 13.54,
      "median_wall_s": 3.23,
      "audio_s": 43.4,
      "wav_bytes": 1913934,
      "wer": 0.013,
      "transcript": "Welcome back to the channel. Today we are going to record a voiceover without sending a single word to the cloud. Everything you hear runs on one machine in our office in Valencia. First, we write the script in a plain text file, one paragraph per scene. Then we send each paragraph to a local text-to-speech server and save the audio next to the video clips. The server speaks the same voice every time, so a correction on Tuesday sounds exactly like the take you recorded on Monday. That consistency is the main reason we stopped recording ourselves for tutorials. It is not perfect. Proper names, numbers and acronyms still need a careful read, and a human narrator wins on emotion every single time. But for a product walk, through a changelog video or a training clip, a local voice is fast, private and free to run. Let us look at how to set it up, step by step.",
      "audio_file": "openedai-speech_tts-1_shimmer_en.wav"
    },
    {
      "engine": "openedai-speech",
      "model": "tts-1-hd",
      "voice": "alloy",
      "lang": "en",
      "runs": [
        {
          "wall_s": 322.176,
          "audio_s": 59.81,
          "bytes": 2870862,
          "rtf": 0.19
        },
        {
          "wall_s": 312.987,
          "audio_s": 58.88,
          "bytes": 2826318,
          "rtf": 0.19
        }
      ],
      "median_rtf": 0.19,
      "median_wall_s": 317.58,
      "audio_s": 58.88,
      "wav_bytes": 2826318,
      "wer": 0.0,
      "transcript": "Welcome back to the channel. Today we are going to record a voiceover without sending a single word to the cloud. Everything you hear runs on one machine in our office in Valencia. First, we write the script in a plain text file, one paragraph per scene. Then we send each paragraph to a local text to speech server and save the audio next to the video clips. The server speaks the same voice every time so a correction on Tuesday sounds exactly like the take you recorded on Monday. That consistency is the main reason we stopped recording ourselves for tutorials. It is not perfect. Proper names, numbers and acronyms still need a careful read and a human narrator wins on emotion every single time. But for a product walkthrough, a changelog video or a training clip, a local voice is fast, private and free to run. Let us look at how to set it up step by step.",
      "audio_file": "openedai-speech_tts-1-hd_alloy_en.wav"
    },
    {
      "engine": "openedai-speech",
      "model": "tts-1-hd",
      "voice": "nova",
      "lang": "en",
      "runs": [
        {
          "wall_s": 350.561,
          "audio_s": 63.51,
          "bytes": 3048526,
          "rtf": 0.18
        },
        {
          "wall_s": 282.683,
          "audio_s": 58.37,
          "bytes": 2801742,
          "rtf": 0.21
        }
      ],
      "median_rtf": 0.2,
      "median_wall_s": 316.62,
      "audio_s": 58.37,
      "wav_bytes": 2801742,
      "wer": 0.0,
      "transcript": "Welcome back to the channel. Today we are going to record a voiceover without sending a single word to the cloud. Everything you hear runs on one machine in our office in Valencia. First, we write the script in a plain text file, one paragraph per scene. Then we send each paragraph to a local text, to speech server, and save the audio next to the video clips. The server speaks the same voice every time, so a correction on Tuesday sounds exactly like the take you recorded on Monday. That consistency is the main reason we stopped recording ourselves for tutorials. It is not perfect. Proper names, numbers, and acronyms still need a careful read, and a human narrator wins on emotion every single time. But for a product walkthrough, a changelog video, or a training clip, a local voice is fast, private, and free to run. Let us look at how to set it up, step by step.",
      "audio_file": "openedai-speech_tts-1-hd_nova_en.wav"
    },
    {
      "engine": "openedai-speech",
      "model": "tts-1",
      "voice": "alloy",
      "lang": "es",
      "runs": [
        {
          "wall_s": 3.395,
          "audio_s": 50.53,
          "bytes": 2228302,
          "rtf": 14.88
        },
        {
          "wall_s": 3.6,
          "audio_s": 50.04,
          "bytes": 2206798,
          "rtf": 13.9
        }
      ],
      "median_rtf": 14.39,
      "median_wall_s": 3.5,
      "audio_s": 50.04,
      "wav_bytes": 2206798,
      "wer": 0.22,
      "transcript": "Bienvenidos de nuevo al canal. Hoy vamos a grabar una locución sin unvierna una sola palabra a la nube. Lo que es que se ejecuta en una máquina de nuestra oficina en Valencia. Primero escribimos alguien en un arquivo de texto, un parrafo por sena. Esperemos cada parrafo de un servidor local de texto, que vayamos a guardar el audio junto a los clips de video. El servidor que se le muestra cada vez. Así que una corksine del martes suena igual que la toma del lunes. Esa coherencia es la razón principal por la que dejamos de grabarnos para los tutoriales. Lo es perfecto. Los nombres propios. Los números y las siglas necesitan una lectura étnica. Y un locutor humano gana siempre una emoción. Hiero para un recorrido de producto. Un video de novedades o una píldora de formación. Una voz local es rápida. Provada y gratuita de ejecutar. Vemos como montar la paso a paso.",
      "audio_file": "openedai-speech_tts-1_alloy_es.wav"
    },
    {
      "engine": "openedai-speech",
      "model": "tts-1",
      "voice": "echo",
      "lang": "es",
      "runs": [
        {
          "wall_s": 3.735,
          "audio_s": 56.99,
          "bytes": 2513486,
          "rtf": 15.26
        },
        {
          "wall_s": 3.899,
          "audio_s": 56.16,
          "bytes": 2476622,
          "rtf": 14.4
        }
      ],
      "median_rtf": 14.83,
      "median_wall_s": 3.82,
      "audio_s": 56.16,
      "wav_bytes": 2476622,
      "wer": 0.314,
      "transcript": "y han venido de nuevo al canal. Hoy vamos a grabar una locución sin enviar ni una sola palabra a la nube. De lo que escoques, si, ejecta, en una maquina de nuestra oficina en Valencia. Primero escribimos alguien en un archivo de texto, un parafoporacina. Despues enviamos cada parafo y un servidor local de texto, y vos guardamos el audio gento y los clips de video. El servidor, que es el mismo vos cada vez, es el mismo que una corksina del martes, son igual que la toma del lunes. Esta coherencia es la razón principal por la que llamamos los grabanos para los tutoriales. Lo es perfecto. Los números propios, los números y las siglas necesitan una lectura einta, y un locutor humano gana siempre un emoción. Heros para un recorrido de producto, un video de novedades o una píldora deformación, una voz local es rápida, privada y gratuida de ejecutor. Vemos como montó la paso a paso.",
      "audio_file": "openedai-speech_tts-1_echo_es.wav"
    },
    {
      "engine": "openedai-speech",
      "model": "tts-1",
      "voice": "fable",
      "lang": "es",
      "runs": [
        {
          "wall_s": 4.014,
          "audio_s": 58.94,
          "bytes": 2599502,
          "rtf": 14.69
        },
        {
          "wall_s": 3.962,
          "audio_s": 58.55,
          "bytes": 2582094,
          "rtf": 14.78
        }
      ],
      "median_rtf": 14.73,
      "median_wall_s": 3.99,
      "audio_s": 58.55,
      "wav_bytes": 2582094,
      "wer": 0.27,
      "transcript": "Bienvenidos de nuevo al canal. Hoy vamos a grabar una locuación sin enviar ni una sola palabra a la nube. Para que lo que escuchen se ejecuten en una máquina de neustra oficina en Valencia. Primero, escribimos el guion en un archivo de texto. En Parafo por Asina, desprezamos cada parafo o un servidor local de texto para que los guiados de los audios se vean los clips de vídeo. El servidor USA la más maravillosa de cada vez. Así que una corrección del martes suene igual que la tome del lunes. Así que aquí es la razón principal por la que dejamos de grabarnos para los tutoriales. No es perfecto. Los nombres propios. Los números y las siglas. Necesitan una lectura ética. Y un locutor humano gana siempre una emoción. Pero para un recorrido de producto, un vídeo de novedades o una píldora de formación. Univó es local y es rápida. Provada y gratuita de ejecutar. Emos como Montalapacilapacil.",
      "audio_file": "openedai-speech_tts-1_fable_es.wav"
    },
    {
      "engine": "openedai-speech",
      "model": "tts-1",
      "voice": "onyx",
      "lang": "es",
      "runs": [
        {
          "wall_s": 3.111,
          "audio_s": 47.88,
          "bytes": 2111566,
          "rtf": 15.39
        },
        {
          "wall_s": 3.492,
          "audio_s": 46.94,
          "bytes": 2070094,
          "rtf": 13.44
        }
      ],
      "median_rtf": 14.41,
      "median_wall_s": 3.3,
      "audio_s": 46.94,
      "wav_bytes": 2070094,
      "wer": 0.27,
      "transcript": "Bienvenidos de nuevo al canal. Hoy vamos a grabar una locución sin enviar una sola palabra a la nube. Lo que es lo que se ha ejecutado en una máquina de nuestra oficina en Valencia. Primero escribimos alguien en un archivo de texto, un parafoto porcina. Especializamos cada parafoto y un servidor local de texto. El voz que guardamos el audio junto a los clips de vídeo. El servidor no es el mismo voz cada vez, así que una corksina del martes una igual que la toma del lunes. Esa coherencia es la principal por la que dejamos de grabarnos para los tutoriales. Los números propios, los números y las siglas necesitan una lectura atenta. Y un locutor humano ganas siempre en emoción. Hiero para un recorrido de producto, un video de novedades o una píldora deformación. Una voz local y rápida, privada y graduada de ejecutor. Y más como montar la paso a paso.",
      "audio_file": "openedai-speech_tts-1_onyx_es.wav"
    },
    {
      "engine": "openedai-speech",
      "model": "tts-1",
      "voice": "nova",
      "lang": "es",
      "runs": [
        {
          "wall_s": 4.176,
          "audio_s": 49.55,
          "bytes": 2185294,
          "rtf": 11.87
        },
        {
          "wall_s": 3.606,
          "audio_s": 48.02,
          "bytes": 2117710,
          "rtf": 13.32
        }
      ],
      "median_rtf": 12.59,
      "median_wall_s": 3.89,
      "audio_s": 48.02,
      "wav_bytes": 2117710,
      "wer": 0.182,
      "transcript": "Bienvenido de nuevo al canal. Hoy vamos a grabar una locución sin enviar ni una sola palabra a la nube. Lo que es que se ejecuta en una máquina de nuestra oficina en Valencia. Primero escribimos el bien en un arquivo de texto, un paráforo por escena. Esperemos cada paráforo de un servidor local de texto, y vos guardamos el audio junto a los clips de vídeo. El servidor, que es el mismo que vos cada vez, así que una corrección del martes suena igual que la toma del lunes. Esa coherencia es la razón principal por la que tejamos de grabarnos para los tutoriales. Lo es perfecto. Los números propios. Los números y las siglas necesitan una lectura étnica, y un locutor humano gana siempre una emoción. Hiero para un recorrido de producto, un vídeo de novedades o una píldora de formación, una voz local es rápida, privada y gratuita de ejecutar. Vimos como montar la paso a paso.",
      "audio_file": "openedai-speech_tts-1_nova_es.wav"
    },
    {
      "engine": "openedai-speech",
      "model": "tts-1",
      "voice": "shimmer",
      "lang": "es",
      "runs": [
        {
          "wall_s": 4.374,
          "audio_s": 56.1,
          "bytes": 2474062,
          "rtf": 12.83
        },
        {
          "wall_s": 4.045,
          "audio_s": 56.74,
          "bytes": 2502222,
          "rtf": 14.03
        }
      ],
      "median_rtf": 13.43,
      "median_wall_s": 4.21,
      "audio_s": 56.74,
      "wav_bytes": 2502222,
      "wer": 0.195,
      "transcript": "de nuevo al canal. Hoy vamos a grabar una locución sin unvierna una sola palabra a la nube. Adulo que escoques, si, ejecuta en una maquina de nuestra oficina en Valencia. Primero escribimos el guion en un arquivo de texto, un perrafo por escena. Espais enviamos cada perrafo, y un servidor local de texto, y vos y guardemos el audio, junto, a los clips de video. El servidor, que ase la misma voz cada vez. Así que una corte del martes, suena igual que la toma del lunes. Esa coherencia es la principal por la que dejamos de grabarnos para los tutoriales. O es perfecto, los nombres propios, los números y las siglas necesitan una lectura étnica, y un locutor humano gana siempre una emoción. Hiero para un recorrido de producto, un video de novedades o una peladora de formación. Una voz local es rápida, privada y gratuita de ejecutar. Hemos como montar la paso a paso.",
      "audio_file": "openedai-speech_tts-1_shimmer_es.wav"
    },
    {
      "engine": "openedai-speech",
      "model": "tts-1-hd",
      "voice": "alloy",
      "lang": "es",
      "runs": [
        {
          "wall_s": 316.852,
          "audio_s": 67.09,
          "bytes": 3220558,
          "rtf": 0.21
        },
        {
          "wall_s": 321.189,
          "audio_s": 68.54,
          "bytes": 3290190,
          "rtf": 0.21
        }
      ],
      "median_rtf": 0.21,
      "median_wall_s": 319.02,
      "audio_s": 68.54,
      "wav_bytes": 3290190,
      "wer": 0.013,
      "transcript": "Bienvenido de nuevo al canal. Hoy vamos a grabar una locución sin enviar ni una sola palabra a la nube. Todo lo que escuchas se ejecuta en una máquina de nuestra oficina en Valencia. Primero escribimos el guión en un archivo de texto, un párrafo por escena. Después, enviamos cada párrafo a un servidor local de texto a voz y guardamos el audio junto a los clips de vídeo. El servidor usa la misma voz cada vez, así que una corrección del martes suena igual que la toma del lunes. Esa coherencia es la razón principal por la que dejamos de grabarnos para los tutoriales. No es perfecto. Los nombres propios, los números y las siglas necesitan una lectura atenta y un locutor humano gana siempre en emoción. Para un recorrido de producto, un vídeo de novedades o una píldora de formación, una voz local es rápida, privada y gratuita de ejecutar. Veamos cómo montarla paso a paso.",
      "audio_file": "openedai-speech_tts-1-hd_alloy_es.wav"
    },
    {
      "engine": "openedai-speech",
      "model": "tts-1-hd",
      "voice": "nova",
      "lang": "es",
      "runs": [
        {
          "wall_s": 337.266,
          "audio_s": 71.51,
          "bytes": 3432526,
          "rtf": 0.21
        },
        {
          "wall_s": 337.776,
          "audio_s": 69.37,
          "bytes": 3329614,
          "rtf": 0.21
        }
      ],
      "median_rtf": 0.21,
      "median_wall_s": 337.52,
      "audio_s": 69.37,
      "wav_bytes": 3329614,
      "wer": 0.013,
      "transcript": "Bienvenido de nuevo al canal. Hoy vamos a grabar una locución, sin enviar ni una sola palabra a la nube. Todo lo que escucha se ejecuta en una máquina de nuestra oficina en Valencia. Primero, escribimos el guión en un archivo de texto, un párrafo por escena. Después, enviamos cada párrafo a un servidor local de texto a voz y guardamos el audio junto a los clips de vídeo. El servidor usa la misma voz cada vez, así que una corrección del martes suena igual que la toma del lunes. Esa coherencia es la razón principal por la que dejamos de grabarnos para los tutoriales. No es perfecto. Los nombres propios, los números y las siglas necesitan una lectura atenta y un locutor humano gana siempre en emoción. Pero para un recorrido de producto, un vídeo de novedades o una píldora de formación, una voz local es rápida, privada y gratuita de ejecutar. Veamos cómo montarla paso a paso.",
      "audio_file": "openedai-speech_tts-1-hd_nova_es.wav"
    },
    {
      "engine": "kokoro",
      "model": "kokoro",
      "voice": "af_heart",
      "lang": "en",
      "lang_code": "a",
      "runs": [
        {
          "wall_s": 1.573,
          "audio_s": 54.35,
          "bytes": 2608726,
          "rtf": 34.54
        },
        {
          "wall_s": 1.542,
          "audio_s": 54.33,
          "bytes": 2607956,
          "rtf": 35.23
        }
      ],
      "median_rtf": 34.88,
      "median_wall_s": 1.56,
      "audio_s": 54.33,
      "wav_bytes": 2607956,
      "wer": 0.0,
      "transcript": "Welcome back to the channel. Today, we are going to record a voiceover without sending a single word to the cloud. Everything you hear runs on one machine in our office in Valencia. First, we write the script in a plain text file, one paragraph per scene. Then we send each paragraph to a local text to speech server and save the audio next to the video clips. The server speaks the same voice every time, so a correction on Tuesday sounds exactly like the take you recorded on Monday. That consistency is the main reason we stopped recording ourselves for tutorials. It is not perfect. Proper names, numbers, and acronyms still need a careful read, and a human narrator wins on emotion every single time. But for a product walkthrough, a changelog video, or a training clip, a local voice is fast, private, and free to run. Let us look at how to set it up step by step.",
      "audio_file": "kokoro_kokoro_af_heart_en.wav"
    },
    {
      "engine": "kokoro",
      "model": "kokoro",
      "voice": "am_michael",
      "lang": "en",
      "lang_code": "a",
      "runs": [
        {
          "wall_s": 1.692,
          "audio_s": 58.85,
          "bytes": 2824888,
          "rtf": 34.79
        },
        {
          "wall_s": 1.699,
          "audio_s": 58.8,
          "bytes": 2822398,
          "rtf": 34.6
        }
      ],
      "median_rtf": 34.7,
      "median_wall_s": 1.7,
      "audio_s": 58.8,
      "wav_bytes": 2822398,
      "wer": 0.0,
      "transcript": "Welcome back to the channel. Today, we are going to record a voiceover without sending a single word to the cloud. Everything you hear runs on one machine in our office in Valencia. First, we write the script in a plain text file, one paragraph per scene. Then we send each paragraph to a local text to speech server and save the audio next to the video clips. The server speaks the same voice every time, so a correction on Tuesday sounds exactly like the take you recorded on Monday. That consistency is the main reason we stopped recording ourselves for tutorials. It is not perfect. Proper names, numbers, and acronyms still need a careful read, and a human narrator wins on emotion every single time. But for a product walkthrough, a changelog video, or a training clip, a local voice is fast, private, and free to run. Let us look at how to set it up step by step.",
      "audio_file": "kokoro_kokoro_am_michael_en.wav"
    },
    {
      "engine": "kokoro",
      "model": "kokoro",
      "voice": "bf_emma",
      "lang": "en",
      "lang_code": "b",
      "runs": [
        {
          "wall_s": 1.488,
          "audio_s": 50.08,
          "bytes": 2403838,
          "rtf": 33.66
        },
        {
          "wall_s": 1.472,
          "audio_s": 50.08,
          "bytes": 2403840,
          "rtf": 34.02
        }
      ],
      "median_rtf": 33.84,
      "median_wall_s": 1.48,
      "audio_s": 50.08,
      "wav_bytes": 2403840,
      "wer": 0.0,
      "transcript": "Welcome back to the channel. Today we are going to record a voiceover without sending a single word to the cloud. Everything you hear runs on one machine in our office in Valencia. First we write the script in a plain text file, one paragraph per scene. Then we send each paragraph to a local text-to-speech server and save the audio next to the video clips. The server speaks the same voice every time, so a correction on Tuesday sounds exactly like the take you recorded on Monday. That consistency is the main reason we stopped recording ourselves for tutorials. It is not perfect. Proper names, numbers and acronyms still need a careful read, and a human narrator wins on emotion every single time. But for a product walkthrough, a changelog video or a training clip, a local voice is fast, private and free to run. Let us look at how to set it up, step by step.",
      "audio_file": "kokoro_kokoro_bf_emma_en.wav"
    },
    {
      "engine": "kokoro",
      "model": "kokoro",
      "voice": "af_heart",
      "lang": "es",
      "lang_code": "a",
      "runs": [
        {
          "wall_s": 1.856,
          "audio_s": 66.58,
          "bytes": 3196070,
          "rtf": 35.88
        },
        {
          "wall_s": 1.857,
          "audio_s": 66.58,
          "bytes": 3196060,
          "rtf": 35.85
        }
      ],
      "median_rtf": 35.87,
      "median_wall_s": 1.86,
      "audio_s": 66.58,
      "wav_bytes": 3196060,
      "wer": 0.113,
      "transcript": "Bienvenido de nuevo al canal. Hoy vamos a grabar una locución sin enviar ni una sola palabra la nube. Todo lo que escuche se ejecuta en una máquina de nuestra oficina en Valencia. Primero escribimos el guion en un archivo de texto. Un paraffo por escena. Despues enviamos cada paraffo a un servidor local de texto, a vos y guardamos el audio junto a los clips de video. El servidor usa la misma voz cada vez. Así que una corrección del martes, sino igual que la toma del lunes. Esa coherencia es la razón, principal por la que tejemos de grabarnos para, los tutorials. No es perfecto. Los nombres propios, los números y las siglas necesitan, una lectura atenta. Y un locutor humano gana siempre una emoción. Pero para un recorrido de producto, un video de novedades o una píldora de formación, una voz local y rápida, privada y graduada de ejecutar. Vimos como montar la paso a paso.",
      "audio_file": "kokoro_kokoro_af_heart_es.wav"
    },
    {
      "engine": "kokoro",
      "model": "kokoro",
      "voice": "ef_dora",
      "lang": "es",
      "lang_code": "e",
      "runs": [
        {
          "wall_s": 1.409,
          "audio_s": 50.42,
          "bytes": 2419976,
          "rtf": 35.78
        },
        {
          "wall_s": 1.414,
          "audio_s": 50.42,
          "bytes": 2419974,
          "rtf": 35.65
        }
      ],
      "median_rtf": 35.72,
      "median_wall_s": 1.41,
      "audio_s": 50.42,
      "wav_bytes": 2419974,
      "wer": 0.019,
      "transcript": "Bienvenido de nuevo al canal. Hoy vamos a grabar una locución sin enviar ni una sola palabra a la nube. Todo lo que escuchas se ejecuta en una máquina de nuestra oficina en Valencia. Primero escribimos el guión en un archivo de texto, un párrafo por escena. Después enviamos cada párrafo a un servidor local de texto a voz y guardamos el audio junto a los clips de video. El servidor usa la misma voz cada vez, así que una corrección del martes suena igual que la toma del lunes. Esa coherencia es la razón principal por la que dejamos de grabarnos para los tutoriales. No es perfecto. Los nombres propios, los números y las siglas necesitan una lectura atenta y un locutor humano gana siempre en emoción. Pero para un recorrido de producto, un video de novedades o una píldora de formación, una voz local es rápida, privada y gratuita de ejecutar. Veamos cómo montarla paso a paso.",
      "audio_file": "kokoro_kokoro_ef_dora_es.wav"
    },
    {
      "engine": "kokoro",
      "model": "kokoro",
      "voice": "em_alex",
      "lang": "es",
      "lang_code": "e",
      "runs": [
        {
          "wall_s": 1.414,
          "audio_s": 50.46,
          "bytes": 2422144,
          "rtf": 35.69
        },
        {
          "wall_s": 1.419,
          "audio_s": 50.46,
          "bytes": 2422076,
          "rtf": 35.56
        }
      ],
      "median_rtf": 35.62,
      "median_wall_s": 1.42,
      "audio_s": 50.46,
      "wav_bytes": 2422076,
      "wer": 0.013,
      "transcript": "Bienvenido de nuevo al canal. Hoy vamos a grabar una locución sin enviar ni una sola palabra a la nube. Todo lo que escuchas se ejecuta en una máquina de nuestra oficina en Valencia. Primero escribimos el guión en un archivo de texto, un párrafo por escena. Después enviamos cada párrafo a un servidor local de texto a voz y guardamos el audio junto a los clips de video. El servidor usa la misma voz cada vez, así que una corrección del martes suena igual que la toma del lunes. Esa coherencia es la razón principal por la que dejamos de grabarnos para los tutoriales. No es perfecto. Los nombres propios, los números y las siglas necesitan una lectura atenta y un locutor humano gana siempre en emoción. Pero para un recorrido de producto, un vídeo de novedades o una píldora de formación, una voz local es rápida, privada y gratuita de ejecutar. Veamos cómo montarla paso a paso.",
      "audio_file": "kokoro_kokoro_em_alex_es.wav"
    },
    {
      "engine": "kokoro",
      "model": "kokoro",
      "voice": "em_santa",
      "lang": "es",
      "lang_code": "e",
      "runs": [
        {
          "wall_s": 1.425,
          "audio_s": 50.87,
          "bytes": 2441948,
          "rtf": 35.69
        },
        {
          "wall_s": 1.43,
          "audio_s": 50.87,
          "bytes": 2441944,
          "rtf": 35.58
        }
      ],
      "median_rtf": 35.63,
      "median_wall_s": 1.43,
      "audio_s": 50.87,
      "wav_bytes": 2441944,
      "wer": 0.006,
      "transcript": "Bienvenido de nuevo al canal. Hoy vamos a grabar una locución sin enviar ni una sola palabra a la nube. Todo lo que escuchas se ejecuta en una máquina de nuestra oficina en Valencia. Primero escribimos el guión en un archivo de texto, un párrafo por escena. Después enviamos cada párrafo a un servidor local de texto a voz y guardamos el audio junto a los clips de vídeo. El servidor usa la misma voz cada vez, así que una corrección del martes suena igual que la toma del lunes. Esa coherencia es la razón principal por la que dejamos de grabarnos para los tutoriales. No es perfecto. Los nombres propios, los números y las siglas necesitan una lectura atenta y un locutor humano gana siempre en emoción. Pero para un recorrido de producto, un vídeo de novedades o una píldora de formación, una voz local es rápida, privada y gratuita de ejecutar. Veamos cómo montarla paso a paso.",
      "audio_file": "kokoro_kokoro_em_santa_es.wav"
    }
  ]
}
