Síntesis de voz (TTS)
Los modelos de síntesis de voz convierten texto escrito en audio hablado, y muchos pueden copiar una voz a partir de una muestra breve.
Un modelo TTS toma texto, y a veces una grabación de referencia breve, y produce audio. Los modelos abiertos hoy cubren decenas o incluso cientos de idiomas, pueden transmitir el audio mientras aún se genera, y algunos diseñan una voz nueva a partir de una descripción escrita. La latencia en streaming, el tiempo hasta que llega el primer audio, importa para los asistentes de voz.
Comprueba la licencia de los pesos, no solo la del código: varios de los modelos TTS abiertos más conocidos son solo para uso no comercial, y algunos proyectos limitan el uso a investigación. Las voces realistas pueden usarse mal, así que algunos modelos añaden a su salida una marca de agua inaudible.
Términos relacionados
- Clonación de voz La clonación de voz hace que un modelo de síntesis de voz hable con la voz de una persona concreta, a menudo a partir de solo unos segundos de grabación.
- Reconocimiento de voz (ASR, voz a texto) El reconocimiento de voz, también llamado ASR o voz a texto, convierte el audio hablado en texto escrito.
- Licencia no comercial Una licencia no comercial te permite usar un modelo para investigación, estudio y proyectos personales, pero no para ganar dinero con él.