VoiceStudio

VoiceStudio: el estudio integral de clonación y doblaje de vídeo en local

VoiceStudio (anteriormente conocido como OmniVoice Studio) es una aplicación de escritorio de código abierto que traslada todo el poder de los servicios de voz generativa en la nube (como ElevenLabs o HeyGen) a tu propio hardware. A diferencia de sintetizadores simples de texto a voz, VoiceStudio está construido desde cero como una estación de trabajo multimedia capaz de clonar voces, diseñar timbres artificiales, transcribir diálogos y ejecutar un pipeline automatizado de doblaje de vídeo en más de 640 idiomas sin que un solo byte de audio abandone tu ordenador.

Cómo funciona y qué incluye

El núcleo de VoiceStudio integra 16 motores TTS y 11 motores ASR intercambiables con un solo atajo de teclado (Cmd/Ctrl + E). Para clonar una voz solo requiere un clip limpio de 5 a 15 segundos. A partir de esa muestra, el sistema permite:

1. Doblaje de vídeo automatizado: Cargas un vídeo, el sistema aísla la voz de la música de fondo mediante Demucs, detecta quién habla en cada momento con diarización Pyannote/WhisperX, traduce el guion y genera la nueva locución sincronizada con las marcas de tiempo para exportar el vídeo final renderizado.
2. Diseño de voz sintética: Permite crear locutores desde cero definiendo parámetros de edad, género, tono, acento y emoción.
3. Audiolibros e historias por capítulos: Importa libros en formato EPUB o PDF y genera audiolibros completos estructurados en pistas .m4b con asignación de múltiples voces.
4. Widget de dictado global: Transcripción en tiempo real a nivel de sistema operativo activable con atajo rápido, con limpieza sintáctica asistida por modelos de lenguaje locales.
5. API local y MCP Server: Expone endpoints compatibles con la API de audio de OpenAI y un servidor MCP para que agentes y asistentes IA externos puedan invocar síntesis y transcripción en tu máquina.

VoiceStudio vs Voicebox: ¿cuál debes usar?

En el ecosistema de IA de voz local existen dos referentes claros: Voicebox y VoiceStudio. Aunque ambos son gratuitos y eliminan la dependencia de ElevenLabs, resuelven problemas de producción completamente diferentes:

La regla de oro de Mafia IA: Voicebox no dobla vídeo y VoiceStudio no es un DAW de podcast. Si tu objetivo es grabar episodios de podcast, locuciones publicitarias o historias con varios personajes en un Mac, Voicebox + Qwen3-TTS 1.7B ofrece la mejor ergonomía y pureza de voz en español. Si necesitas localizar cursos, vídeos de YouTube o material audiovisual traduciendo y reemplazando pistas de voz, VoiceStudio es la suite que necesitas.

Requisitos de hardware y licencias para creadores

• En Mac (Apple Silicon): Puedes ejecutar VoiceStudio tanto en M1/M2/M3/M4 de 16 GB como en configuraciones de 64 GB. Con 16 GB de memoria unificada podrás procesar trabajos secuenciales de alta calidad con Qwen3 1.7B en bf16. Para proyectos comerciales, cambia el motor a Qwen3 (vía MLX-Audio) o VoxCPM2, evitando OmniVoice para no infringir su cláusula no comercial.
• En PC con NVIDIA: Si dispones de una RTX con 12 GB o más de VRAM, VoiceStudio explota todo su potencial con motores avanzados como CosyVoice 3 o IndexTTS 2.5, ofreciendo tiempos de renderizado prácticamente en tiempo real.

Veredicto

VoiceStudio es una de las piezas de software libre más ambiciosas en el terreno del audio generativo. Convierte una tarea compleja y costosa, como el doblaje y reemplazo de voz en vídeo, en un proceso local, reproducible y completamente gratuito.