Texto a voz
Por qué importa
En profundidad
El TTS moderno típicamente funciona en dos etapas: un modelo de texto a espectrograma (que convierte texto en una representación visual de frecuencias de audio) y un vocoder (que convierte el espectrograma en formas de onda de audio reales). Algunos enfoques más recientes son de extremo a extremo, generando directamente tokens de audio a partir del texto usando arquitecturas basadas en Transformer similares a los LLMs pero operando con tokens de audio en lugar de tokens de texto.
Clonación de voz
La clonación de voz crea una versión sintética de la voz de una persona específica a partir de una muestra corta de audio (a veces tan breve como 15 segundos). Esto permite personalización, doblaje y preservación de voces de personas que han perdido la capacidad de hablar. También crea riesgos evidentes: suplantación de identidad, fraude y replicación de voz sin consentimiento. La mayoría de los proveedores implementan verificación de consentimiento y marcas de agua para mitigar el mal uso.
El desafío de la latencia
Para la IA conversacional, la latencia del TTS importa tanto como la calidad. Un usuario que hace una pregunta a un asistente de voz espera una respuesta en 1–2 segundos. La generación completa de TTS puede tomar más tiempo, por lo que el TTS en streaming (generar y reproducir audio en fragmentos a medida que el LLM produce texto) es esencial. El pipeline — STT + LLM + TTS — debe mantenerse por debajo de ~2 segundos en total para una conversación natural, lo que limita los tamaños de modelos y las opciones de infraestructura.