Otoño de 2026 · Desde la Base Tranquilidad
Entra al estudio lunar ↗
Desarrollo de juegos

Generador de voz con IA gratis: Kokoro y Chatterbox para juegos

Texto a voz con IA gratis y para uso comercial: pruebas de Kokoro y Chatterbox en español, sin GPU y con clonación de voz.

En el bar de una base lunar, un portátil emite ondas de sonido naranjas hacia un robot camarero que seca un vaso; un astronauta con auriculares, sentado en un taburete, levanta el pulgar
En el bar de una base lunar, un portátil emite ondas de sonido naranjas hacia un robot camarero que seca un vaso; un astronauta con auriculares, sentado en un taburete, levanta el pulgar

La página de inicio de esta web es una base lunar. Al abrir terryl.in entras en un minijuego 3D hecho con Three.js: controlas a un astronauta que recorre la base, se pone el traje espacial, sale por la esclusa a la superficie lunar o se acerca al bar a pedir un cóctel. El blog «Diario de la base lunar» cuenta cómo se ha ido construyendo esta base paso a paso.

En el bar trabaja un robot camarero llamado Arthur. El personaje es un homenaje a Arthur, el barman androide de la película Passengers (2016). Como él, es amable, educadísimo y habla sin ninguna expresión en la cara. Algunas de sus frases están adaptadas de la película; quien la haya visto las reconocerá. Si le preguntas por qué no deja de limpiar el mismo vaso, te contesta: «Si no limpiara el vaso, tendría que darle conversación». El problema es que, hasta ahora, todas esas frases solo eran texto en un bocadillo de diálogo.

En el artículo anterior usé Stable Audio 3 Small SFX para crear los efectos de sonido de la base lunar; esta vez toca el doblaje. Antes, para poner voz a los personajes de un juego había que contratar actores de doblaje o pagar un servicio en la nube de texto a voz con IA que cobra por caracteres, como ElevenLabs. Hoy existen varios modelos TTS (texto a voz) de código abierto, gratis y de uso comercial: los descargas en tu ordenador y los usas sin pagar por cada generación. También sirven como alternativa gratuita a ElevenLabs.

En este artículo comparo los modelos TTS de código abierto que más merecen la pena ahora mismo. Instalé Kokoro TTS y Chatterbox TTS en un portátil sin tarjeta gráfica, hice hablar a Arthur en inglés y en español, y probé a clonar una voz con IA gratis para que el personaje mantenga el mismo timbre en todas sus frases.

¿Qué generador de voz con IA de código abierto elegir? Comparativa de modelos de uso comercial

Primero, la conclusión. Estos son los que he seleccionado tras revisar las licencias, todos con uso comercial permitido:

Modelo

Parámetros

Licencia

Clonar voz

Idiomas

Hardware

Kokoro-82M

82 millones

Apache 2.0

No, 54 voces integradas

8, incluido el español

Funciona en CPU

Chatterbox-Nano

110 millones

MIT

Sí

Solo inglés

Funciona en CPU

Chatterbox-Turbo

350 millones

MIT

Sí

Solo inglés

En CPU, más lento

Chatterbox (original, Multilingual V3, versión china)

500 millones

MIT

Sí

Multilingual V3: 23, incluido el español

En CPU, muy lento

Step Audio EditX

unos 3000 millones

Apache 2.0

Sí

Muy bueno en chino

Necesita tarjeta NVIDIA

Qwen3-TTS (0.6B, 1.7B)

600 millones, 1700 millones

Apache 2.0

Sí, con 3 s de voz de referencia

10, incluido el español

El 0.6B funciona en CPU, clonar es muy lento

En resumen:

  • Rápido, ligero y en cualquier portátil: Kokoro.
  • Clonar una voz para que el personaje suene siempre igual: Chatterbox. Nano para inglés, Multilingual V3 para español.
  • Si tienes tarjeta NVIDIA: Qwen3-TTS, que permite «diseñar» una voz describiéndola con texto y controlar la emoción con instrucciones.
  • Tarjeta gráfica potente y máxima calidad de sonido y emoción: Step Audio EditX.

Step Audio EditX necesita una tarjeta NVIDIA y mi portátil no la tiene, así que no lo he probado. De Qwen3-TTS probé el modelo más pequeño, el 0.6B, que funciona en CPU; los resultados están más abajo.

Este artículo es una visión general. Más adelante cada modelo tendrá su propio artículo: Kokoro, Chatterbox, Qwen3-TTS, Step Audio EditX y también VoiceStudio.

En las clasificaciones con escucha a ciegas valoradas por personas (como Speech Arena), los primeros puestos siguen siendo de servicios cerrados como ElevenLabs; ningún modelo de código abierto ha entrado todavía en el top 10. Pero un juego no siempre necesita la mejor calidad de audio. Para diálogos de PNJ, narración con IA en un tutorial o voces provisionales durante el desarrollo, un modelo de código abierto es más que suficiente.

Otra opción: Qwen3-TTS

Qwen3-TTS es una familia de modelos TTS que el equipo Qwen (Tongyi Qianwen) de Alibaba publicó como código abierto en enero de 2026, con licencia Apache 2.0, así que se puede usar comercialmente. Tiene dos tamaños, 0.6B y 1.7B, y cada uno se divide en varias versiones con usos distintos:

  • Base: clonación de voz con solo 3 segundos de voz de referencia.
  • CustomVoice: 9 voces integradas, entre ellas voces masculinas con acento de Pekín y de Sichuan; la versión 1.7B además acepta instrucciones de tono, por ejemplo «dilo con un tono muy enfadado».
  • VoiceDesign (1.7B): diseñas la voz con una descripción de texto, por ejemplo «chico de 17 años, tenor, que habla con cada vez más seguridad».

Admite 10 idiomas: chino, inglés, japonés, coreano, alemán, francés, ruso, portugués, español e italiano. Según la evaluación oficial, supera a ElevenLabs en precisión de pronunciación y similitud de voz en chino, aunque son pruebas del propio fabricante.

Para doblar un juego, lo más práctico es diseñar la voz primero y clonarla después: describes la voz del personaje a VoiceDesign, generas una frase que sirva de referencia y clonas el resto de frases con Base para mantener un timbre coherente. Es muy parecido a lo que hago en este artículo con Kokoro y Chatterbox.

Se instala con pip install -U qwen-tts. Los ejemplos oficiales se ejecutan todos en tarjetas NVIDIA con bfloat16 y FlashAttention 2; no indican cuánta memoria de vídeo hace falta ni si funciona solo con CPU.

Probé el 0.6B en CPU en el mismo portátil:

  • Voz integrada (CustomVoice): unos 31 segundos para generar una frase de unos 6 segundos.
  • Clonación de voz (Base): más de 4 minutos para una frase de 4 a 5 segundos, tres veces el tiempo que necesita la versión de Chatterbox ajustada para chino.

Como con cualquier modelo TTS, conviene escuchar con atención los nombres propios, las palabras extranjeras y las palabras cuya pronunciación depende del contexto antes de darlas por buenas.

Sin tarjeta gráfica, lo más razonable es usar las voces integradas de Qwen3-TTS; para generar muchas frases con clonación, sigue haciendo falta una tarjeta NVIDIA.

Parecen de código abierto, pero no permiten uso comercial

La trampa más habitual al elegir modelo es la licencia. Que los pesos estén publicados en Hugging Face no significa que puedas ganar dinero con ellos:

  • Coqui XTTS v2: multilingüe, puede clonar voces y fue muy popular, pero su licencia es la Coqui Public Model License, solo para uso no comercial.
  • Fish Audio S2 Pro: pesos públicos, pero para uso comercial hay que comprar una licencia a Fish Audio.
  • Algunos modelos de investigación: usan licencia CC BY-NC (NC significa solo uso no comercial).

Antes de descargar nada, mira el campo License en la página del modelo y lee el texto completo.

¿Qué es Kokoro TTS? ¿Habla español? ¿Se puede usar comercialmente?

Kokoro-82M es un modelo TTS de solo 82 millones de parámetros cuya versión 1.0 salió en enero de 2025. Es tan pequeño que funciona en CPU y, aun así, su calidad de sonido está entre las mejores de su categoría; por eso lo usan muchas API comerciales y proyectos.

  • Licencia: Apache 2.0, permite el uso comercial y la integración en tus propios productos.
  • Datos de entrenamiento: según la documentación oficial, solo grabaciones de dominio público, grabaciones con licencia Apache o MIT y voz sintética de TTS cerrados de grandes empresas; nada de voz clonada a partir de la voz de otras personas.
  • Voces: 54 voces integradas en 8 idiomas: inglés (americano y británico), japonés, chino, español, francés, hindi, italiano y portugués de Brasil.
  • Limitaciones: no clona voces, solo puedes elegir entre las integradas.

Para la voz inglesa de Arthur elegí bm_george, y para la española, em_alex (los ejemplos están más abajo).

Ojo: la documentación oficial avisa de que las webs con «kokoro» en el nombre de dominio no tienen nada que ver con este modelo. No pagues ni descargues nada en ellas.

¿Qué es Chatterbox TTS? ¿Habla español? ¿Se puede usar comercialmente?

Chatterbox es una familia de modelos TTS de código abierto de Resemble AI, una empresa de tecnología de voz. Su gran baza es la clonación de voz: le das entre 5 y 10 segundos de una voz y lee frases nuevas con ese timbre. La versión original permite ajustar la intensidad de la emoción, y la versión Turbo acepta etiquetas en el texto como [laugh], [chuckle] o [cough] para añadir risas o tos.

  • Licencia: MIT, permite el uso comercial.
  • Marca de agua: cada audio generado lleva incrustada la marca de agua Perth de Resemble. No se oye, pero sobrevive a la conversión a mp3 y a la edición, de modo que las herramientas de detección pueden saber si una voz se ha generado con IA.
  • Sin mantenimiento: en agosto de 2026, Resemble AI anunció que Chatterbox es un «proyecto de investigación finalizado». Ya no habrá actualizaciones y la empresa se centra ahora en la detección de deepfakes. El código y los pesos siguen disponibles con licencia MIT, así que puedes descargarlos y usarlos comercialmente, pero no habrá versiones nuevas ni soporte.

Precisamente este último punto muestra la ventaja del código abierto: con los pesos en tu ordenador, da igual que cierre el servicio. Si un servicio de voz en la nube sube los precios o cierra, ya no podrás modificar las voces de tu juego; un modelo de código abierto guardado en tu disco te permitirá añadir frases con la misma voz dentro de diez años.

Chatterbox tiene varias versiones y al principio es fácil confundirlas:

Versión

Parámetros

Idiomas

Características

Chatterbox (original)

500 millones

Inglés

Intensidad de la emoción ajustable (exaggeration)

Multilingual V3

500 millones

23, incluido el español

Un solo modelo para muchos idiomas

Versión ajustada para chino (zh-cmn)

500 millones

Chino

Ajustada específicamente para chino

Turbo

350 millones

Inglés

Más rápido, etiquetas de risa y tos, voz de referencia obligatoria

Nano

110 millones

Inglés

El más pequeño y rápido; según el fabricante, una generación 3 veces más rápida que el tiempo real en una CPU de 8 núcleos

Requisitos: ¿funciona sin tarjeta gráfica?

Mi portátil tiene un Intel Core Ultra 5 (6 núcleos) y solo gráficos integrados, así que en la práctica todo va por CPU. Esta tabla recoge los tiempos medidos por frase; cada frase dura unos 4 a 6 segundos y el tiempo incluye la carga del modelo en cada ejecución:

Modelo

Tiempo por frase

Kokoro (inglés)

unos 9 s

Kokoro (chino)

unos 13 s

Chatterbox-Nano (clonación)

unos 15 a 20 s

Chatterbox-Turbo (clonación)

unos 40 s

Chatterbox original

unos 60 s

Chatterbox ajustado para chino (clonación)

unos 80 s

Qwen3-TTS 0.6B (voz integrada)

unos 31 s

Qwen3-TTS 0.6B (clonación)

unos 4 min

Kokoro y Chatterbox Nano son muy prácticos en un portátil: cambias una frase, la escuchas y en poco más de diez segundos lo tienes. Las versiones de Chatterbox de 500 millones de parámetros tardan uno o dos minutos por frase en CPU, así que conviene preparar un lote entero y dejarlo trabajando en segundo plano. Con una tarjeta NVIDIA va mucho más rápido.

En cuanto a espacio en disco, el entorno de Python de cada herramienta (con PyTorch para CPU) ocupa unos 1,5 GB. Los modelos se descargan aparte: los de Kokoro son diminutos y cada versión de Chatterbox ocupa entre 1 y 3 GB.

Cómo instalar Kokoro TTS (versión CPU, con español)

Te recomiendo crear un entorno de Python independiente con uv en lugar de instalar en el Python del sistema. Kokoro funciona con Python 3.10 a 3.12:

mkdir kokoro && cd kokoro
uv venv --python 3.11 && source .venv/bin/activate
uv pip install kokoro soundfile

En los idiomas distintos del inglés, la pronunciación la gestiona espeak-ng, que ya viene incluido: no hace falta instalar nada más para el español.

Generar una frase en español:

import numpy as np, soundfile as sf
from kokoro import KPipeline

pipe = KPipeline(lang_code="e")  # e español, a inglés americano, b inglés británico, j japonés
audio = np.concatenate([np.asarray(r.audio) for r in pipe("Un barman guarda las confidencias.", voice="em_alex")])
sf.write("arthur.wav", audio, 24000)

En el nombre de una voz, la primera letra indica el idioma y la segunda el género: em_alex es una voz masculina en español y bf_emma, una voz femenina en inglés británico. La lista completa está en el archivo oficial VOICES.md. La primera vez que lo ejecutes, el modelo se descargará automáticamente de Hugging Face.

Cómo instalar Chatterbox TTS: usa la versión de GitHub, no la antigua de PyPI

Esta fue la mayor trampa en la que caí. Muchos tutoriales dicen que ejecutes pip install chatterbox-tts, lo que instala la versión 0.1.7 de PyPI, cuyo modelo multilingüe es el antiguo V2. Le hice leer una frase de Arthur en chino: la terminó en poco más de 3 segundos y después añadió más de diez segundos de pausas y ruidos raros.

Solo la versión más reciente de GitHub incluye Multilingual V3, Nano y la versión ajustada para chino, así que hay que instalar directamente desde GitHub:

mkdir chatterbox && cd chatterbox
uv venv --python 3.11 && source .venv/bin/activate
uv pip install "chatterbox-tts @ git+https://github.com/resemble-ai/chatterbox" "setuptools<81"

El setuptools<81 del final no se puede omitir. El paquete de marca de agua Perth todavía usa el antiguo pkg_resources, que las versiones nuevas de setuptools ya eliminaron. Si no fijas la versión, falla nada más ejecutarlo.

Clonar una voz con Nano:

import torchaudio
from chatterbox.tts_turbo import ChatterboxTurboTTS

model = ChatterboxTurboTTS.from_pretrained(device="cpu", nano=True)
wav = model.generate("A bartender keeps confidence.", audio_prompt_path="arthur-ref.wav")
torchaudio.save("arthur.wav", wav, model.sr)

arthur-ref.wav es la voz de referencia que quieres clonar. Los archivos de la versión ajustada para chino tienen un formato algo distinto al del programa principal, así que hay que retocar el código que los carga. Este tipo de detalle tedioso es perfecto para Claude Code o Codex.

Deja la instalación en manos de Claude Code o Codex

Si no quieres pelearte con las versiones, abre Claude Code o Codex en la terminal y escribe:

Instala Kokoro-82M y Chatterbox en ~/tools (Chatterbox en su última versión desde GitHub, con Nano y Multilingual V3), con PyTorch para CPU, y crea para cada uno un comando que pueda ejecutar desde cualquier carpeta

Así es como los instalé yo. La versión de PyPI demasiado antigua, la incompatibilidad con setuptools y el fallo al cargar la versión china: el asistente de IA encontró la causa y lo arregló todo por su cuenta. Instalarlo en ~/tools tiene una ventaja: todos los proyectos pueden compartirlo, no hace falta instalar una copia para cada juego.

¿Qué es clonar una voz con IA? La forma gratuita y de código abierto

Clonar una voz (voice cloning) consiste en darle al modelo una grabación de la voz de alguien para que lea frases nuevas con ese timbre. Con Chatterbox es gratis y sencillo: una voz de referencia más el texto que quieres que lea. La calidad de la referencia determina el resultado:

  • De 5 a 10 segundos: con menos de 5 segundos aparece directamente un mensaje de error.
  • Una sola persona hablando, sin música de fondo ni ruido.
  • Un tono acorde al personaje: el modelo aprende también la velocidad y la emoción. Si quieres que el personaje hable despacio y con tono plano, la referencia tiene que sonar igual.
  • Mejor en el mismo idioma que el texto: una referencia en inglés para un texto en otro idioma deja un ligero acento inglés. Para este caso, el fabricante recomienda poner cfg_weight a 0 en Chatterbox Multilingual V3.

Importa mucho de dónde sale la voz. Que el modelo sea de uso comercial no significa que puedas copiar la voz de cualquiera:

  • Grabada por ti: sin problema.
  • Grabada por un actor de doblaje o un amigo: necesitas su consentimiento antes de usarla en el juego, mejor por escrito.
  • Voces de personajes de cine o videojuegos, o de famosos: no. Aunque solo se parezca, hay problemas de derechos de imagen y de la personalidad.

Yo además uso otro método: primero genero una frase con Kokoro, que se convierte en la voz original del personaje. Kokoro tiene licencia Apache 2.0, así que las voces que genera se pueden usar libremente. Es como «diseñar» primero la voz del personaje y luego dejar que Chatterbox lea el resto de frases y les añada emoción.

Prueba real: doblar a Arthur, el robot camarero

Para la voz inglesa de Arthur elegí bm_george de Kokoro: su acento británico pausado encaja con un robot mayordomo muy educado. Bajé la velocidad a 0,95.

En la película, Arthur lo interpreta Michael Sheen, pero aquí he optado por no imitar su voz. El doblaje usa una voz integrada de Kokoro y lo que se clona también es una voz generada por Kokoro: eso es justo lo que decía antes con «importa mucho de dónde sale la voz».

Todos los audios de abajo salen directamente de los modelos; solo he recortado el silencio del principio y del final y he igualado el volumen.

Kokoro: las voces integradas tal cual

Kokoro bm_george: «If I didn't wipe the glass, I'd have to make conversation. And then guests feel awkward.»
Kokoro bm_george: «A bartender keeps confidence. It's the sacred trust of the craft.»

Chatterbox: clonar la voz de Kokoro

La voz de referencia es la primera frase de bm_george de arriba (unos 6 segundos).

Chatterbox-Nano clonando bm_george: «You can't get so hung up on where you'd rather be that you forget to make the most of where you are.»
Chatterbox-Nano clonando bm_george: «A bartender keeps confidence. It's the sacred trust of the craft.»

Para comparar, una voz integrada de Chatterbox original, sin clonar, con la intensidad de la emoción bajada a 0,3:

Voz integrada de Chatterbox original: «If I didn't wipe the glass, I'd have to make conversation. And then guests feel awkward.»

Algunas observaciones:

  • Kokoro siempre da el mismo resultado: misma frase y misma voz, cada generación es idéntica, no hace falta elegir versión. Si quieres otro matiz, cambia de voz o de velocidad.
  • Chatterbox da un resultado distinto cada vez: con otra semilla (seed), la misma frase cambia de tono y de ritmo, así que conviene generar varias versiones y quedarse con la mejor.
  • Clonar mantiene la voz coherente: con una sola frase de referencia, todas las frases clonadas tienen el timbre del mismo personaje, sin tener que volver a elegir voz.
  • Las versiones clonadas hablan más rápido: con el mismo texto, la versión clonada por Nano dura entre un 10 y un 20 % menos que el original de Kokoro. Para que hable más despacio, usa como referencia una grabación más lenta.

Texto a voz con IA en español: la prueba

Ahora, las mismas dos frases de Arthur traducidas al español, leídas por los tres modelos que admiten español:

  • Kokoro: la voz masculina em_alex.
  • Chatterbox Multilingual V3: clonando la voz inglesa bm_george, con cfg_weight a 0. Es el ajuste que recomienda el fabricante cuando la voz de referencia y el texto están en idiomas distintos; evita que se cuele el acento inglés.
  • Qwen3-TTS 0.6B: la voz integrada Ryan.
Kokoro (em_alex): «Si no limpiara el vaso, tendría que darle conversación. Y entonces los clientes se sienten incómodos.»
Kokoro (em_alex): «Un barman guarda las confidencias. Es la confianza sagrada del oficio.»
Chatterbox Multilingual V3 (clonando bm_george): «Si no limpiara el vaso, tendría que darle conversación. Y entonces los clientes se sienten incómodos.»
Chatterbox Multilingual V3 (clonando bm_george): «Un barman guarda las confidencias. Es la confianza sagrada del oficio.»
Qwen3-TTS 0.6B (Ryan): «Si no limpiara el vaso, tendría que darle conversación. Y entonces los clientes se sienten incómodos.»
Qwen3-TTS 0.6B (Ryan): «Un barman guarda las confidencias. Es la confianza sagrada del oficio.»

Cómo lo comprobé: cada audio se transcribió con Whisper (reconocimiento de voz) y se comparó con el texto original. En español no encontré ningún error de lectura.

En cuanto a velocidad, con el modelo cargado una sola vez y generando frases seguidas en el mismo portátil sin tarjeta gráfica: Chatterbox Multilingual V3 tarda unos 30 segundos por frase, Qwen3-TTS 0.6B entre 20 y 30 segundos y Kokoro, unos pocos segundos.

¿Cómo se escribe el prompt de una voz IA? Déjaselo a Claude Code o Codex

En TTS lo que se introduce es la propia frase, no un prompt que describa el sonido como cuando generas efectos. Eso sí, elegir la voz, clonarla y revisar el resultado sigue siempre el mismo proceso, ideal para la configuración global de un asistente de programación con IA. En Claude Code el archivo es ~/.claude/CLAUDE.md y en Codex, ~/.codex/AGENTS.md. Después basta con decir «dobla estas tres frases de Arthur» para que siga estas reglas:

## Doblar personajes del juego con TTS local

Cuando te pida un doblaje, usa Kokoro y Chatterbox en local con estas reglas:

- Cada personaje tiene una voz fija. Para un personaje nuevo, elige primero una voz integrada de Kokoro, genera una frase de 5 a 10 segundos y guárdala como voz de referencia; a partir de ahí, clona siempre desde ella.
- Las frases sin emoción ni risas, directamente con Kokoro; para emoción, risas ([laugh], [chuckle]) o para que coincida con la referencia, clona con Chatterbox: Nano o Turbo para inglés, Multilingual V3 para otros idiomas (cfg_weight a 0 si la referencia está en otro idioma que el texto).
- Los nombres propios, las palabras extranjeras y las que se pronuncian según el contexto, escúchalos o compruébalos con reconocimiento de voz antes de darlos por buenos.
- Un archivo por frase, con el nombre «personaje-idioma-número».
- Con Chatterbox, genera cada frase con 3 seeds distintas y lista los nombres de archivo y las frases para que yo elija.
- Después de generar, comprueba la duración: si el audio es claramente más largo de lo que debería durar la frase, ha dicho de más; cambia de seed y repite.
- No clones voces de personas reales salvo que te confirme que tengo su consentimiento.
- Para la web o el juego, recorta el silencio del principio y del final, añade un fundido de salida corto, iguala la sonoridad y convierte a mp3.

Más expresividad: las etiquetas de risa de Turbo

Chatterbox-Turbo acepta etiquetas directamente en el texto, por ejemplo [chuckle] para una risita, [laugh] para una carcajada y [cough] para toser:

Can I keep a secret? [chuckle] A bartender keeps confidence. It's the sacred trust of the craft.
Chatterbox-Turbo clonando bm_george, con un [chuckle] en mitad de la frase

Limitaciones del TTS de código abierto

Después de una ronda completa, hay algunas cosas que conviene saber de antemano:

  • Sin tarjeta gráfica hay que tener paciencia: Kokoro y Chatterbox Nano son rápidos, pero las demás versiones de Chatterbox tardan uno o dos minutos por frase en CPU.
  • El inglés sigue siendo el idioma mejor cubierto: Nano y Turbo solo hablan inglés, y en otros idiomas los nombres propios, las palabras extranjeras y las que se pronuncian según el contexto hay que escucharlas antes de usarlas.
  • Elegir la versión correcta: la versión de Chatterbox en PyPI es demasiado antigua y, como Chatterbox ya no tiene mantenimiento, hay problemas que nadie va a arreglar.
  • La emoción depende de la referencia y los parámetros: el modelo no entiende la historia ni sabe si una frase es una broma o un enfado. Si quieres que suene alterada, necesitas una referencia con ese tono o subir la intensidad de la emoción.
  • Hay que revisar el resultado: puede decir de más, comerse sílabas o tener ruido al principio. Igual que con los efectos de sonido, puedes pedir a Claude Code o Codex que lance un subagente (subagent) para una revisión independiente: transcribir el audio con reconocimiento de voz, compararlo con el texto original y regenerar si no coincide.

La gran ventaja para desarrolladores indie: voces desde el principio del desarrollo

Igual que con la herramienta de efectos de sonido del artículo anterior, creo que el mayor valor del TTS de código abierto es que el juego puede tener voces desde las primeras fases del desarrollo.

Al principio, el guion cambia constantemente. Si un actor ya lo ha grabado, cada cambio obliga a volver a grabar. Con un TTS local cambias una frase, la vuelves a generar y en poco más de diez segundos está lista, sin coste adicional. Cuando el guion esté cerrado, decides si quieres que lo graben actores reales.

Para entonces, la longitud de las frases, el tiempo que se muestra cada bocadillo y la duración de las animaciones de boca o gestos ya estarán ajustados al doblaje. Al pasar a grabaciones reales, basta con sustituir los archivos de audio con el mismo nombre.

Otra ventaja es el soporte multilingüe. La web de la base lunar está en 15 idiomas; grabar 15 idiomas con actores no es realista, pero Kokoro admite 8 idiomas y Chatterbox Multilingual V3, 23, español incluido, así que al menos los idiomas principales pueden tener voz desde ya.

Preguntas frecuentes

¿Kokoro TTS habla español?

Sí. Kokoro admite 8 idiomas, entre ellos el español; en este artículo usé la voz masculina em_alex con lang_code="e". La pronunciación la gestiona espeak-ng, que viene incluido en el paquete, así que no hay que instalar nada más. Eso sí, Kokoro no clona voces: si necesitas que un personaje mantenga una voz concreta en español, recurre a Chatterbox Multilingual V3.

¿Chatterbox TTS habla español?

Sí, con Multilingual V3, que admite 23 idiomas, español incluido; Nano, Turbo y la versión original solo hablan inglés. Puedes clonar una voz de referencia en inglés y hacer que lea en español, poniendo cfg_weight a 0 como recomienda el fabricante para evitar el acento inglés. Ojo: la versión antigua de PyPI añade sonidos al final de la frase, así que instálalo desde GitHub.

¿Se puede usar comercialmente la clonación de voz gratuita?

Chatterbox tiene licencia MIT, así que el modelo es de uso comercial; pero también necesitas tener derecho a usar la voz clonada: la tuya, la de alguien que haya dado su consentimiento o, como en este artículo, una voz generada con Kokoro. Además, cada audio generado lleva la marca de agua Perth.

¿Hay alguna alternativa gratuita a ElevenLabs?

Para diálogos de juego, narración o voces de vídeos tutoriales, Kokoro y Chatterbox son alternativas de código abierto gratuitas, de uso comercial y que funcionan en tu propio ordenador. La calidad de sonido y la expresividad aún no llegan al nivel de ElevenLabs, pero no pagas por caracteres ni te preocupa que el servicio suba precios o cierre.

¿Se puede usar un TTS de código abierto sin tarjeta gráfica?

Sí. En la CPU de un portátil, Kokoro y Chatterbox Nano generan una frase en poco más de diez segundos; las versiones de Chatterbox de 500 millones de parámetros tardan uno o dos minutos por frase, así que lo mejor es dejarlas procesando lotes en segundo plano.

Conclusión: basta un portátil para poner voz a los personajes de un juego

Antes pensaba que el doblaje era la parte más cara de hacer un juego indie: los actores de doblaje cuestan mucho, los TTS en la nube cobran por caracteres y, en cuanto hay muchas frases, la factura se dispara. Kokoro y Chatterbox reducen los requisitos a «un portátil, una frase, poco más de diez segundos», con uso comercial permitido y los modelos guardados en tu propio ordenador, sin miedo a que cierre el servicio.

El siguiente paso es meter las voces de Arthur en el juego, para que hable de verdad cuando aparezca su bocadillo de diálogo.

Este artículo es la visión general del TTS de código abierto; después llegarán artículos dedicados a Kokoro, Chatterbox, Qwen3-TTS, Step Audio EditX y VoiceStudio, con instalación, parámetros y más pruebas.

Y tú, ¿cómo doblas a los personajes de tus juegos? Pásate por mis publicaciones en Threads o X y déjame un comentario.