¿Qué es Audio8 TTS?
Audio8 TTS es una familia de modelos compactos de texto a voz de Edge0 que clonan una voz a partir de una grabación de referencia corta y su transcripción. La versión actual, Audio8-TTS-Realistic-Air, tiene 601 millones de parámetros más un códec de audio y admite 23 idiomas, 12 más que el Preview 0.6B en el que se basa. Se subió a Hugging Face el 14 de octubre de 2026 junto con un artículo que describe un entrenamiento con un «crítico de realismo» que premia la prosodia humana.
La arquitectura sigue el diseño DualAR de Fish Audio S2 Pro: un modelo lento de 24 capas predice un token semántico por frame y un modelo rápido de 4 capas predice 10 codebooks del códec, con salida a 44,1 kHz. Los pesos son safetensors en BF16 bajo Apache 2.0, igual que el código.
Un Preview 0.1B más pequeño (unos 170 millones de parámetros más un códec de 120 millones) se centra en chino e inglés y funciona en CPU como exportación ONNX INT8 en unos 0,4 GiB. Tiene una licencia comunitaria propia que exige una licencia de pago a las empresas con 2 millones de US$ o más de facturación anual.
¿Merece la pena Audio8 TTS?
Audio8 TTS destaca por su tamaño más que por su calidad absoluta. En la prueba Seed-TTS de inglés y chino, con datos del propio fabricante, la tasa de error media de Realistic Air es del 1,25 %, frente al 1,11 % del Higgs Audio v3 de 4B, el 1,32 % del Fish S2 Pro de 4.6B y el 1,67 % de CosyVoice3. Un modelo de 601 millones de parámetros supone unos 1,2 GB de pesos en BF16 según nuestros cálculos, lo bastante pequeño para una GPU modesta.
Las cifras multilingües son menos favorables. En el conjunto MiniMax de 24 idiomas su error medio es del 5,89 %, frente al 4,40 % de Fish S2 Pro y el 2,74 % de Higgs Audio v3, y el modelo 0.6B de Qwen3-TTS obtiene un 1,12 % en Seed-TTS, algo mejor. La ficha llama a su tabla una comparación de referencia y no una clasificación equiparada, y advierte que la calidad varía según el idioma; todas las cifras proceden de Edge0 y ninguna mide el realismo directamente.
El despliegue está mejor documentado que en la mayoría de los laboratorios pequeños. Un adaptador para SGLang Omni ofrece una API de voz compatible con OpenAI con batching; en una NVIDIA H20 midió 0,691 s de latencia en caliente para unos 5,9 s de audio, un factor de tiempo real de 0,116, aunque esa prueba se hizo con el Preview 0.6B, que tiene la misma arquitectura. La ficha indica que el rendimiento y el streaming del propio Realistic Air no se midieron, y todavía no hay exportación ONNX para él, así que quien use CPU queda limitado a los modelos Preview anteriores.
La pega: la procedencia y las salvaguardas. La identidad del fabricante es escasa: GitHub dice Edge0-AI, Hugging Face dice Edge0, el código de la ficha del 0.1B se refiere a Audio8, y no se publica ubicación ni datos de empresa. La ficha del 0.1B pide consentimiento antes de clonar, pero ninguna de las dos fichas menciona marcas de agua. El repositorio está activo, con 2.361 estrellas y un push el 2 de noviembre de 2026, y Realistic Air sumó 11.349 descargas en el último mes.
Dónde se gana su sitio
Un estudio de dos personas que localiza juegos indie al tailandés, vietnamita e indonesio
Dar voz a los mismos personajes en todos los idiomas sin tarifas por personaje
Clonar a cada actor a partir de un clip de referencia corto con su transcripción y renderizar las líneas por lotes en una GPU doméstica; Apache 2.0 permite el uso comercial. Revisa cada idioma de oído, ya que la ficha advierte de que la calidad varía.
Un ingeniero de backend en una start-up de agentes de voz
Servir voces clonadas a muchas llamadas a la vez desde una GPU
Ejecutar el adaptador de SGLang Omni, que agrupa por defecto hasta 32 peticiones en curso tras un endpoint /v1/audio/speech compatible con OpenAI; el RTF medido de 0,116 en una H20 sugiere margen, pero el rendimiento del propio Realistic Air no está medido.
Un aficionado que crea un asistente de lectura offline en un portátil
Leer en voz alta texto en chino e inglés sin GPU
Usar el runtime ONNX INT8 del Preview 0.1B en CPU con unos 0,4 GiB, con PCM en streaming y un servidor web local. Válido para uso personal; una empresa con más de 2 millones de US$ de facturación necesita licencia.
Antes de decidirte
- Puesta en marcha
- Python 3.10+ y una GPU CUDA; clonar el repo, ejecutar pip install -r requirements.txt y lanzar audio8_tts_infer.py con el ID del modelo, añadiendo un clip de referencia y su transcripción para clonar. SGLang Omni debe fijarse a un commit probado.
- Integraciones
- Transformers (de 4.57 a menos de 5; la 5.x puede producir salida silenciosa), SGLang Omni con API de voz compatible con OpenAI, ONNX Runtime para las exportaciones Preview, scripts de fine-tuning supervisado.
- Datos y privacidad
- Autoalojado; nada sale de tus máquinas. Realistic Air y Preview 0.6B son Apache 2.0; la licencia comunitaria del Preview 0.1B exige una licencia comercial por escrito a partir de 2 millones de US$ de facturación anual, contando filiales.
- Coste a escala
- Unos 1,2 GB de pesos BF16 para el modelo 0.6B; el servidor SGLang usa por defecto una fracción de memoria estática de 0,2 en una GPU. Ningún proveedor alojado lo ofrece por ahora.
- Límites
- 2.048 posiciones de texto y audio empaquetadas; calidad desigual entre idiomas; velocidad y streaming de Realistic Air sin medir; los clips de referencia largos, ruidosos o mal transcritos reducen la estabilidad y el parecido.
Lo bueno
- Pesos y código bajo Apache 2.0 para los modelos 0.6B
- Tasa de error en Seed-TTS cercana a modelos de seis a ocho veces su tamaño
- 23 idiomas, salida a 44,1 kHz
- Servidor SGLang Omni con API compatible con OpenAI, RTF 0,116 en una H20
- El 0.1B en ONNX INT8 funciona en CPU en unos 0,4 GiB
Lo malo
- Por detrás de Fish S2 Pro y Higgs Audio v3 en la prueba de 24 idiomas
- Todos los benchmarks son propios; la velocidad de Realistic Air no está medida
- Sin ruta ONNX ni CPU para Realistic Air
- Sin marcas de agua; datos del fabricante no publicados
- La licencia del 0.1B cobra a empresas con más de 2 millones de US$ de facturación
Ideal para
Desarrolladores que necesitan clonación de voz multilingüe con licencia permisiva y un presupuesto de GPU reducido, y que pueden probar la calidad en sus propios idiomas.
Alternativas a Audio8 TTS
Audio8 TTS: preguntas frecuentes
- ¿Merece la pena Audio8 TTS?
- El modelo 0.6B de Audio8 clona voces en 23 idiomas con tasas de error cercanas a rivales de 4B parámetros, una gran oferta para su tamaño que aún queda por detrás en la prueba multilingüe más exigente. Le damos un 3.8 sobre 5.
- ¿Cuánto cuesta Audio8 TTS?
- Gratis. Los pesos de Realistic Air y Preview 0.6B son Apache 2.0; Preview 0.1B es gratuito para uso no comercial y para empresas con menos de 2 millones de US$ de facturación anual. Sin API alojada.
- ¿Qué inconvenientes tiene Audio8 TTS?
- Por detrás de Fish S2 Pro y Higgs Audio v3 en la prueba de 24 idiomas; todos los benchmarks son propios; la velocidad de Realistic Air no está medida; sin ruta ONNX ni CPU para Realistic Air; sin marcas de agua; datos del fabricante no publicados; la licencia del 0.1B cobra a empresas con más de 2 millones de US$ de facturación.
- ¿Para quién es Audio8 TTS?
- Desarrolladores que necesitan clonación de voz multilingüe con licencia permisiva y un presupuesto de GPU reducido, y que pueden probar la calidad en sus propios idiomas.
- ¿Cuánto cuesta Audio8 TTS para un equipo o en producción?
- Unos 1,2 GB de pesos BF16 para el modelo 0.6B; el servidor SGLang usa por defecto una fracción de memoria estática de 0,2 en una GPU. Ningún proveedor alojado lo ofrece por ahora.
- ¿Es Audio8 TTS seguro para los datos de la empresa?
- Autoalojado; nada sale de tus máquinas. Realistic Air y Preview 0.6B son Apache 2.0; la licencia comunitaria del Preview 0.1B exige una licencia comercial por escrito a partir de 2 millones de US$ de facturación anual, contando filiales.
- ¿Cuáles son las mejores alternativas a Audio8 TTS?
- Las alternativas más cercanas que hemos analizado son Qwen3-TTS, Chatterbox, OmniVoice y Kokoro-82M.
Respuestas comprobadas el 5 nov 2026.