¿Qué es Voicebox?
Voicebox es una aplicación de escritorio (creada con Tauri, React y FastAPI) que convierte su computadora en un estudio de voz de IA con todas las funciones. Se ejecuta en macOS, Windows y Linux, e incluye clonación de voz, generación de texto a voz, dictado en todo el sistema e incluso un servidor MCP para agentes de IA, todo local.
Piense en ello como el Ollama de la IA de voz. Así como Ollama trajo grandes modelos de idiomas a su escritorio, Voicebox brinda capacidades de voz profesionales a su máquina, de forma gratuita y privada.
Clonación de voz desde solo 3 segundos
La clonación de voz es la característica principal y es notablemente simple. Puedes alimentarlo con audio de tres maneras:
- Sube un clip: arrastra y suelta archivos WAV, MP3, FLAC o WebM
- Grabar desde el micrófono: vista previa de la forma de onda en vivo, hasta 30 segundos
- Captura de audio del sistema: clona una voz de un vídeo de YouTube, un podcast o cualquier aplicación que reproduzca audio.
Desde tan solo tres segundos de audio, Voicebox crea un perfil de voz que puedes usar en todos sus motores. La clonación de disparo cero no implica un largo proceso de capacitación: simplemente proporcione una muestra y genere.
Siete motores TTS, una interfaz
Voicebox no te limita a un solo modelo. Se envía con siete motores TTS, cada uno con diferentes potencias:
Esta amplitud significa que usted elige la herramienta adecuada para el trabajo. ¿Necesita iteraciones rápidas con alta calidad? LuxTTS. ¿Necesita un discurso expresivo con control emocional? Chatterbox o TADA. ¿Trabajando en una máquina de bajos recursos? Kokoro funciona prácticamente con cualquier cosa.
Para la transcripción, Voicebox incluye Whisper y Whisper Turbo (99 idiomas, este último 8 veces más rápido), además el modelo de lenguaje Qwen3 potencia la limpieza de transcripciones y las respuestas personales.
Dictado en todo el sistema: su asistente de escritura con IA
Una de las funciones más prácticas es el dictado en todo el sistema. Con una tecla de acceso rápido global (Cmd+Opt en macOS, Ctrl+Alt en Windows) puedes hablar en cualquier aplicación y hacer que la transcripción aparezca en el cursor. Ya no tendrás que luchar con las extensiones del navegador de conversión de voz a texto: funciona en todas partes, desde editores de código hasta aplicaciones de chat.
Esta es la misma experiencia por la que cobra WisprFlow, integrada en una aplicación gratuita de código abierto.
Servidor MCP: dé voz a cada agente de IA
Si utiliza agentes compatibles con MCP como Claude Code, Cursor o Cline, Voicebox expone un servidor MCP con una única llamada a la herramienta voicebox.speak. Cualquier agente puede hablar con usted a través de una voz que haya clonado, completa con perfiles de voz por agente.
Puede hacer que Claude Code hable con una voz, el Cursor con otra y saber qué agente está hablando sin mirar la pantalla. Cada discurso iniciado por el agente muestra una pastilla visible, por lo que no hay un TTS silencioso de fondo.
API REST y WebSocket para desarrolladores
Voicebox expone una API REST local y puntos finales WebSocket para cada motor que descargue. Esto significa:
- Juegos: genera diálogos de NPC sobre la marcha con las voces de tus personajes.
- Aplicaciones: cree aplicaciones habilitadas para voz sin pagar tarifas por carácter
- Scripts: produce capítulos de audiolibros por lotes, automatiza introducciones de podcasts y conéctalos a tu Stream Deck.
Sin claves API, sin límites de tarifas, sin tarifas por carácter. Solo una URL de host local.
Personas: Voces con carácter
Una característica particularmente creativa es el sistema Persona. Puedes darle a cualquier perfil de voz una descripción de personalidad libre ("Detective negro de los años 40. Cansado del mundo, cínico..."), y luego:
- Reescribir: reformula tu texto con la voz de ese personaje conservando las ideas.
- Componer: deja que el personaje improvise líneas originales desde cero.
Esto es oro para los diálogos de juegos, el doblaje, la narración larga y cualquier proyecto creativo en el que la voz constante de los personajes sea importante.
Privacidad y soberanía de datos
Todo se ejecuta localmente. Voicebox descarga modelos a su máquina y mantiene todo el procesamiento en el dispositivo. No se envían clips de audio a un servidor en la nube, no salen perfiles de voz de su computadora y no hay llamadas de telemetría que envían datos de uso a casa.
En una era en la que todas las herramientas de inteligencia artificial parecen querer una parte de sus datos, el compromiso de Voicebox con la operación local es realmente refrescante.
Cómo se compara con ElevenLabs
ElevenLabs sigue ganando por su calidad de voz y su número de idiomas admitidos. Pero Voicebox compite ferozmente en flexibilidad, privacidad y costo, y para muchos casos de uso, especialmente flujos de trabajo de desarrolladores, ya es la mejor opción.
Empezando
Voicebox ya está disponible en voicebox.sh o en GitHub. Descargue la aplicación para su plataforma, elija los motores que desee y generará voz en cuestión de minutos.
El proyecto también tiene un token Solana ($VOICEBOX) para aquellos que quieran apoyarlo, pero la aplicación en sí sigue siendo gratuita y de código abierto para siempre, no se requiere token.
El resultado final
Voicebox representa un cambio en nuestra forma de pensar sobre las herramientas de voz de IA. Al traer todo lo local, adoptar principios de código abierto y respaldar un amplio ecosistema de motores TTS, empodera a los usuarios de una manera que los servicios tradicionales nunca podrán hacerlo.
Si ha estado dudando sobre la IA de voz debido al costo, preocupaciones de privacidad o dependencia de un proveedor, Voicebox es la respuesta. Es el Ollama de la voz, y cada vez es mejor.
Continuar leyendo: Para obtener una inmersión técnica más profunda sobre la configuración de Voicebox para uso en producción, consulte la documentación oficial en voicebox.sh/docs.