FILTRO DE AUDIO CON IA
El filtro de audio con IA de Audiofilter para texto a voz convierte palabras escritas en habla natural en tu propia máquina. Elige una de las 19 voces gratuitas o clona una nueva a partir de una sola grabación corta, escribe tu texto y pulsa Convertir. Como todos los filtros de audio de este sitio, el modelo se ejecuta dentro de la página: tu texto y tus grabaciones nunca salen de este navegador.
SharedArrayBuffer, que a su vez requiere las cabeceras
Cross-Origin-Opener-Policy y Cross-Origin-Embedder-Policy
y un contexto seguro (localhost o HTTPS). Si acabas de cambiar la configuración del servidor, haz una recarga forzada (Ctrl/Cmd + Mayús + R).
SharedArrayBuffer y un heap de WebAssembly capaz de crecer hasta 1,5 GB, y Chrome y Edge son los que manejan esa combinación de forma más predecible. Firefox y Safari también tienen los hilos y
SharedArrayBuffer pero ponen un tope más bajo a la memoria de WebAssembly — así que merece la pena probarlos: si el motor no arranca, o se para a medio camino, cambia a Chrome. Chrome en un móvil o una tableta también funciona; lo único es que la primera descarga y cada generación tardan más en el procesador de un móvil. Las otras cuatro herramientas de Audiofilter no tienen este requisito y funcionan en cualquier sitio.
Texto a voz y clonación de voz: gratis, sin límite de usos y sin subir nada
Pulsa el botón pequeño para escucharla
Solo la primera vez: después queda todo en caché.
Solo inglés
Los valores más altos dejan que el modelo mantenga la frase abierta un poco más antes de cerrarla. El efecto es sutil: alrededor de un segundo en todo el rango.
Una breve demostración grabada por Audiofilter.
Cargando vídeo… El vídeo no está disponible aquí. Usa el enlace a X de abajo.Al reproducir este vídeo se carga contenido de X. Se aplica la política de privacidad de X.
Tres pasos, sin registro
Parte de una de las diecinueve voces integradas, o crea una nueva con una sola grabación: suelta un archivo de audio o graba unos diez segundos directamente con el micrófono. No hay fase de entrenamiento ni cola de espera: la voz está lista en cuanto se ha leído el clip.
Pega hasta 500 caracteres y decide cómo debe leerse. La expresividad determina cuánto varía la interpretación entre pasadas, y los controles de pausa fijan cuánto descansa el modelo entre frases y en las comas: es la diferencia entre una lectura ágil y una narración pausada.
El audio empieza a sonar mientras se produce, así que oyes las primeras palabras antes de que existan las últimas. Recorre la forma de onda para revisarlo y guarda el resultado como MP3, AAC o WAV. Todas las conversiones posteriores a la primera empiezan de inmediato, porque el modelo ya está en tu máquina.
Sin cuenta, sin cupo y sin marca de agua
Basta un clip corto para clonar una voz. No se ajusta ningún modelo y no se guarda nada: el clip se convierte en un embedding de voz compacto dentro del navegador, se usa mientras la pestaña esté abierta y después desaparece.
No hay backend ni clave de API, y esta es la única página de herramienta sin publicidad. El propio modelo de voz está compilado a WebAssembly y se ejecuta dentro de la página, así que tu texto y tus grabaciones no tienen a dónde ir ni en principio.
Todas las voces integradas se publican bajo CC0, lo que significa que el audio que generes se puede usar comercialmente sin atribuir nada: algo poco habitual en una herramienta de texto a voz gratuita.
Ajusta la expresividad, la pausa entre frases y si las comas cuentan como respiraciones. También hay un umbral de fin de frase, para sostener una frase una fracción más antes de resolverla.
Las descargas también se codifican en tu dispositivo, así que el archivo terminado tampoco pasa por un servidor. El WAV se escribe al instante; MP3 y AAC pasan por un codificador local.
El modelo queda en caché la primera vez que conviertes, así que las visitas siguientes se ahorran la descarga y la generación empieza en cuanto pulsas Convertir.
Qué genera la voz en esta página
La generación de voz aquí es PocketTTS, un motor de síntesis de voz neuronal ejecutado con ONNX Runtime compilado a WebAssembly. Funciona dentro de esta pestaña, así que tu texto y cualquier muestra de voz que aportes no salen de tu dispositivo.
La clonación de voz es zero-shot: una muestra corta se reduce a un embedding de voz compacto que condiciona la síntesis. No se ajusta nada, no se sube nada, y el embedding desaparece al cerrar la pestaña.
No. No hay backend ni llamadas a una API. El modelo se ejecuta dentro de esta pestaña, y tu texto y tus grabaciones no salen de tu dispositivo.
Sí. No hay cuenta, ni prueba, ni cupo de caracteres, ni marca de agua. Como el trabajo ocurre en tu propia máquina y no en un servidor, no hay nada que medir.
Sí. Todas las voces integradas se publican bajo CC0 1.0, así que el habla que generes es tuya para cualquier uso, incluido el comercial, sin necesidad de atribución. El audio de una voz que hayas clonado tú también es tuyo.
El modelo tiene que descargarse una vez antes de poder generar nada. Después tu navegador lo mantiene en caché y Convertir responde de inmediato.
De seis a doce segundos de una sola persona hablando con claridad, sin música de fondo, sin eco y sin otras voces. Más largo no es mejor: los clips de más de quince segundos se recortan.
Hasta 500 caracteres por conversión, unas ochenta palabras o medio minuto de habla. No hay límite en el número de conversiones, así que un guion largo se puede hacer párrafo a párrafo.
Inglés. El modelo se entrenó con habla inglesa y cada voz integrada es un lector angloparlante, así que el inglés es el único idioma que pronuncia correctamente. El francés, el alemán, el español, el portugués, el italiano y el neerlandés producirán sonido, pero con las reglas de lectura del inglés aplicadas encima. El chino, el japonés y el coreano no funcionan: el tokenizador no tiene piezas para esas escrituras, así que el texto queda reducido a bytes en bruto que el modelo nunca ha visto. Los acentos que aparecen en las voces son acentos del inglés, no idiomas distintos.
MP3, AAC o WAV. El codificador también se ejecuta en tu dispositivo, así que el archivo terminado no se envía a ningún sitio antes de que lo guardes.
Es preferible Chrome; Edge se comporta igual, y Chrome en un móvil o una tableta también funciona — la primera descarga y cada generación tardan más en el procesador de un móvil, pero la herramienta funciona. El motor necesita hilos de WebAssembly y SharedArrayBuffer, que los navegadores antiguos no tienen, y un heap de WebAssembly capaz de crecer hasta 1,5 GB — en esto último Firefox y Safari ponen un tope más bajo, así que puede que el motor no arranque allí, o que se pare a medio camino. Pruébalos si quieres, y cambia a Chrome si falla. Esto solo afecta al texto a voz; el eliminador de voz, el reductor de ruido y el conversor funcionan en cualquier navegador reciente.
Una vez el modelo está en caché, generar voz no necesita red en absoluto. La página en sí todavía tiene que cargarse, así que sí hace falta conexión para abrirla la primera vez en una sesión.
La página debe servirse con las cabeceras COOP y COEP sobre localhost o HTTPS. Si acabas de cambiar la configuración, haz una recarga forzada para que el navegador deje de reutilizar su copia en caché.
¿Necesitas otro filtro de audio para una grabación que ya tienes?
Abrir el eliminador de voz → Abrir el reductor de ruido →