Saltar al contenido
ReviewRamble

El boletín semanal

La IA, analizada, en tu bandeja de entrada.

  • Nuevas reseñas de herramientas, modelos, servidores MCP y repos, con el veredicto por delante
  • Precios y valoraciones revisados cuando algo cambia
  • Nuevos análisis en cuanto se publican

Modelos, agentes, servidores MCP y las herramientas que de verdad merecen tu tiempo.

Un correo a la semana. Date de baja con el enlace de cualquier boletín. Cómo usamos tu correo

Text-to-speech

El text-to-speech (TTS, texto a voz) es software que convierte texto escrito en audio hablado. El TTS moderno usa redes neuronales que predicen el sonido del habla a partir del texto y luego lo generan como forma de onda.

También llamado: TTS, speech synthesis, AI voice generator

Por Divya Sharma · Comprobado el 15 nov 2026 · Cómo hacemos las reseñas

El TTS es la voz de los lectores de pantalla, las apps de navegación, los audiolibros y los agentes de voz. Los sistemas antiguos pegaban fragmentos de habla grabados. El TTS neuronal, en cambio, aprende de horas de voz grabada cómo debe sonar el texto.

Cómo funciona

Tacotron 2 de Google muestra el diseño clásico en dos etapas. Una red convierte los caracteres en un espectrograma mel, una imagen de cómo cambia la energía del sonido en el tiempo. Una segunda red, el vocoder, convierte esa imagen en audio. Muchos modelos más nuevos se saltan el espectrograma y predicen directamente tokens de audio, igual que un modelo de lenguaje predice palabras.

Cómo elegir un modelo de TTS

Lo que importa a los desarrolladores es la naturalidad, la latencia hasta el primer audio, la cobertura de idiomas, el control del ritmo y la emoción, y el precio por carácter. Servicios alojados como ElevenLabs compiten con pequeños modelos abiertos como Kokoro 82M, que funcionan en un portátil.

Términos relacionados

El TTS es lo contrario del speech-to-text. Hacer que el TTS suene como una persona concreta es clonación de voz. Un modelo speech-to-speech puede eliminar por completo el paso de texto en una conversación en directo.

Límites

El TTS puede pronunciar mal nombres, números y abreviaturas, y en pasajes largos el tono puede desviarse. Una salida que suena humana puede usarse indebidamente para suplantar a personas.

Términos relacionados

Speech-to-text
El speech-to-text (voz a texto), también llamado reconocimiento automático del habla (ASR), es software que convierte audio hablado en texto escrito. Está detrás de la transcripción, los subtítulos, los comandos de voz y la parte que escucha en los agentes de voz.
Clonación de voz
La clonación de voz (voice cloning) es el uso de IA para que un sistema de text-to-speech hable con la voz de una persona concreta, aprendida a partir de una grabación de esa persona. Algunos sistemas solo necesitan una muestra corta.
Modelo speech-to-speech
Un modelo speech-to-speech (de voz a voz) recibe audio hablado y produce audio hablado directamente, sin convertir antes la voz en texto y de vuelta. Se usa para conversación por voz en directo y para traducción.
Agente de voz
Un agente de voz (voice agent) es un agente de IA que mantiene una conversación hablada en tiempo real: escucha a una persona, decide qué decir o hacer y responde con una voz sintética, a menudo por una línea telefónica o en una app.
Text-to-music
El text-to-music (texto a música) es la tarea de generar audio musical a partir de una descripción escrita, como el género, el estado de ánimo, los instrumentos y el tempo. Algunos sistemas también escriben y cantan letras.

Fuentes