El texto a voz de código abierto ya es bueno. Un modelo de 82 millones de parámetros puntúa a pocos puntos de las voces generativas de Amazon Polly en pruebas de escucha a ciegas, y se descarga gratis. El problema está en la palabra “abierto”. Tres de los trece modelos de la tabla traen pesos que no puedes usar en nada que vendas, un cuarto te pide que no lo hagas, y varios modelos populares que no están en la tabla tienen el mismo problema.
Por eso esta guía ordena los modelos TTS de código abierto primero por licencia y después por calidad. Está pensada para desarrolladores que deciden qué poner en una aplicación, un dispositivo o un agente de voz. Si lo construyes solo para ti, ignora la columna de licencia y elige el que mejor suene.
La respuesta corta
| Modelo | Quién lo hace | Licencia de los pesos | Uso comercial | Idiomas | Puntuación en Artificial Analysis |
|---|---|---|---|---|---|
| Kokoro 82M | hexgrad | Apache 2.0 | Sí | 8 | 1064 |
| Magpie TTS Multilingual | NVIDIA | NVIDIA Open Model License | Sí | 12 | 1064 |
| Maya1 | Maya Research | Apache 2.0 | Sí | Inglés | 1046 |
| Chatterbox | Resemble AI | MIT | Sí, con marca de agua | 23+ (Multilingual V3) | 1026 (modelo en inglés) |
| Zonos v0.1 | Zyphra | Apache 2.0 | Sí | 5 | 1000 |
| Orpheus 3B | Canopy Labs | Apache 2.0 | Sí | Inglés | Sin puntuación |
| Dia 1.6B | Nari Labs | Apache 2.0 | Sí | Inglés | Sin puntuación |
| CosyVoice 2 | Alibaba | Apache 2.0 | Sí | Centrado en chino, multilingüe | Sin puntuación |
| Piper | Open Home Foundation | Motor GPL-3.0, licencia por voz | Revisa cada voz | Más de 40 variantes regionales | Sin puntuación |
| VibeVoice 1.5B | Microsoft | MIT, solo investigación | No recomendado | Inglés, chino | 957 |
| XTTS v2 | Coqui (cerrada) | Coqui Public Model License | No | 17 | 916 |
| Fish Audio S2 Pro | Fish Audio | Fish Audio Research License | No | 80+ | 1116 |
| Breeze TTS 2 | BreezeBlue | Investigación y no comercial | No | Inglés, chino | 1220 |
Las puntuaciones son valoraciones Elo de la clasificación Provider Voice de Artificial Analysis, octubre de 2026. Los oyentes escuchan dos clips de la misma frase sin saber qué modelo generó cada uno y eligen el que prefieren. Las licencias y los idiomas vienen de la ficha o el repositorio de cada modelo, revisados el mismo mes. “Sin puntuación” significa que el modelo no aparece en esa clasificación, no que sea malo.
Si quieres una sola recomendación: Kokoro para inglés pequeño y rápido, Chatterbox para clonación de voz y muchos idiomas, Piper para dispositivos sin conexión.
Revisa primero la licencia de los pesos
Un proyecto TTS de código abierto suele tener dos licencias: una para el código y otra para los pesos entrenados. El código casi siempre es permisivo. Las restricciones están en los pesos, y sin los pesos el código no produce ningún sonido.
XTTS v2 es el ejemplo clásico. La biblioteca Coqui TTS es MPL-2.0 y la sigue manteniendo, en un fork, el Idiap Research Institute. Los pesos de XTTS v2 se distribuyen con la Coqui Public Model License, que empieza así: “This license allows only non-commercial use of a machine learning model and its outputs.” Lo de los outputs importa: el audio que generas hereda la restricción. Coqui vendía licencias comerciales. La empresa cerró, así que esa puerta también.
El mismo patrón aparece en los modelos más nuevos. F5-TTS tiene código MIT y pesos CC BY-NC 4.0. Mistral dice que Voxtral TTS hereda la licencia CC BY-NC 4.0 de las voces de referencia con las que se distribuye. S2 Pro de Fish Audio usa la Fish Audio Research License, y su ficha te pide aceptar el uso exclusivamente no comercial. Breeze TTS 2, el modelo de pesos abiertos mejor valorado en Artificial Analysis, licencia sus pesos e incluso el audio generado en tu propio servidor solo para investigación y uso no comercial.
VibeVoice es un caso aparte. Microsoft lo publicó con licencia MIT, de las más permisivas que existen, pero la ficha del modelo lo limita a la investigación y dice que Microsoft no recomienda usarlo en aplicaciones comerciales o reales sin más pruebas. Microsoft también deshabilitó los pesos del modelo más grande, VibeVoice-Large. Una licencia MIT con un “por favor, no lo hagas” adjunto es una pregunta para tu abogado, no para un artículo.
Los modelos que sí puedes usar en producción
Kokoro 82M es la respuesta por defecto para inglés. Tiene 82 millones de parámetros, licencia Apache 2.0 y una puntuación de 1064, igual que Magpie de NVIDIA y dos puntos por debajo de las voces generativas de Amazon Polly. La versión 1.0 trae 54 voces en 8 idiomas. Es tan pequeño que en abril de 2025 los proveedores alojados ya lo revendían por menos de 1 dólar por millón de caracteres, según su ficha. No clona voces.
Chatterbox de Resemble AI es la opción si necesitas clonación de voz con licencia permisiva. La familia, con licencia MIT, incluye un modelo en inglés de 500M, Chatterbox Multilingual V3 con 500M y más de 23 idiomas, y Chatterbox-Turbo, un modelo en inglés de 350M pensado para menor latencia, con etiquetas como [laugh] y [cough]. Cada archivo que genera Chatterbox lleva la marca de agua Perth de Resemble, inaudible pero detectable. Es una ventaja si te importa la procedencia y una sorpresa si no leíste la ficha.
Magpie TTS Multilingual de NVIDIA cubre 12 idiomas, entre ellos hindi, japonés, coreano y árabe, con 364M parámetros. Funciona sobre el framework NeMo de NVIDIA. La NVIDIA Open Model License dice claramente que los modelos son de uso comercial. Trae cinco voces de hablantes en inglés en lugar de un catálogo grande.
Orpheus 3B de Canopy Labs se basa en Llama 3B y declara una latencia de streaming de unos 200 ms, o unos 100 ms con streaming de entrada. Los pesos figuran como Apache 2.0; como la base es Llama, lee también la licencia de Llama de Meta. Sus dos modelos principales son en inglés, y los multilingües son una versión preliminar de investigación.
Dia 1.6B escribe diálogos, no narración. Marcas a los hablantes con [S1] y [S2], y puede añadir sonidos no verbales como risas. Es Apache 2.0 y solo en inglés. Sin un clip de referencia elige una voz distinta en cada ejecución, lo que tiene gracia en una demo y bastante menos en un producto.
CosyVoice 2, del equipo FunAudioLLM de Alibaba, es Apache 2.0 y admite streaming tanto de texto de entrada como de audio de salida, con una latencia de hasta 150 ms según sus autores. Su cobertura de idiomas se centra en el chino y sus dialectos.
Zonos v0.1 de Zyphra (Apache 2.0) habla inglés, japonés, chino, francés y alemán, y necesita 6 GB o más de memoria de GPU. Maya1 (Apache 2.0, 3B parámetros, inglés) está hecho para diseñar voces expresivas, con etiquetas para reír, llorar y susurrar.
Piper es el caso distinto: un motor de TTS neuronal rápido y local de la Open Home Foundation, el grupo detrás de Home Assistant. El motor mantenido, piper1-gpl, es GPL-3.0. Si lo integras, te llegan las obligaciones de la GPL. Cada voz tiene su propia ficha y licencia de datos de entrenamiento, así que revisa la voz, no solo el motor.
Qué tan bueno es el TTS de código abierto, de verdad
Lo bastante bueno como para elegirlo a propósito. Los mejores modelos con licencia permisiva puntúan entre 1000 y 1065 en Artificial Analysis. Es el rango de las voces generativas de Amazon Polly (1066) y de Chirp 3 HD de Google (1059).
El techo está más arriba. Breeze TTS 2 llega a 1220 y Fish Audio S2 Pro a 1116, pero ninguno tiene licencia para uso comercial. Sonic 3.6 de Cartesia puntúa 1281, unos 200 puntos por encima de Kokoro. En una escala Elo, 200 puntos de diferencia significan que los oyentes prefieren el modelo mejor valorado en unas tres de cada cuatro comparaciones.
Una clasificación además mide una sola cosa: qué clip prefiere la gente, escuchado de forma aislada. No prueba cómo lee un modelo “tu código de confirmación es Q7-4XB”, si mantiene la misma voz durante una llamada de diez minutos ni cuánto tarda el primer audio cuando empiezan 200 llamadas a la vez. Escribimos sobre por qué una sola puntuación no te dice si un modelo TTS es bueno. Prueba tus propios guiones, en tus idiomas, por el mismo camino que escucharán tus usuarios.
Dónde se encarece el autoalojamiento
Descargar los pesos es gratis. Servirlos a usuarios reales no lo es.
En un agente de voz telefónico, el modelo es la parte fácil. También necesitas GPU dimensionadas para tu pico de llamadas simultáneas, un servidor de streaming que empiece a reproducir antes de que termine la frase, normalización de texto para que “$1,250.00” y “Dr.” se lean bien, y conmutación por error cuando un nodo cae en mitad de una llamada. Varios de estos modelos se publican como código de investigación que genera el clip entero antes de devolver nada. Convertir eso en streaming por debajo de un segundo con carga real es un proyecto de ingeniería, y es justo el que la ficha del modelo no menciona.
El esfuerzo compensa en algunos casos:
- Necesitas funcionar sin conexión, en un dispositivo o en un entorno aislado, y tu nivel de calidad cabe en un modelo pequeño.
- Tu volumen es alto, constante y predecible, así que tus propias GPU salen más baratas que pagar por carácter.
- Lo construyes para ti y la licencia no importa.
Si tu motivo es el control de los datos y no el costo, quizá no necesites pesos abiertos. Los proveedores alojados, Cartesia incluida, ofrecen despliegues on-premise y en VPC donde el audio nunca sale de tu red.
Cuándo usar Cartesia
Sonic de Cartesia no tiene pesos abiertos. Es un modelo de texto a voz alojado y en streaming, hecho para agentes de voz: menos de 90 ms hasta el primer audio, 44 idiomas en un solo modelo y clonación de voz instantánea. El plan gratuito incluye 20.000 créditos al mes, y un crédito es un carácter, así que puedes probarlo con tus propios guiones antes de pagar nada. Para despliegues regulados, los mismos modelos funcionan on-premise o en entornos aislados con un contrato empresarial.
Nuestro trabajo de código abierto es Edge, una biblioteca Apache 2.0 para ejecutar modelos de espacio de estados en el dispositivo. Si necesitas una voz en inglés gratuita y sin conexión para un proyecto personal, Kokoro o Piper es mejor respuesta, y te lo diríamos igual en persona.