Qué hace esta herramienta
Esta herramienta de texto a voz lee en voz alta texto en inglés con voces de IA naturales y te permite descargar el resultado como archivo WAV. Usa Kokoro-82M, un modelo abierto de síntesis de voz de 82 millones de parámetros creado por hexgrad, a través de la biblioteca kokoro-js y Transformers.js. Todo ocurre dentro de tu navegador: sin cuenta, sin cuota de caracteres y sin ningún servidor que vea lo que escribes.
Como el modelo es pequeño, funciona en un portátil normal. En navegadores con WebGPU (Chrome y Edge recientes) usa la tarjeta gráfica con el modelo de precisión completa; en el resto se ejecuta en la CPU con una versión cuantizada de 8 bits, más ligera y que sigue sonando clara.
Cómo usarla
- Pulsa Descargar el modelo y empezar. La primera vez se descarga el modelo (unos 92 MB en CPU, unos 326 MB con WebGPU) y el navegador lo guarda en caché. Una barra muestra cuánto falta. La próxima vez carga desde la caché en segundos.
- Escribe o pega tu texto, o pulsa Ejemplo para probar un párrafo corto. El número de caracteres y la duración estimada del audio se actualizan mientras escribes.
- Elige una Voz y una Velocidad entre 0,5× y 2×.
- Pulsa Generar voz. Los textos largos se dividen en fragmentos del tamaño de una frase y se leen uno a uno, con un contador «Fragmento 3 / 12». Pulsa Detener para terminar antes y conservar el audio generado hasta ese momento.
- Escucha en el reproductor y pulsa Descargar WAV para guardar un archivo mono a 24 kHz.
Para obtener archivos separados, pon Salida en Un archivo por línea: cada línea no vacía se convierte en su propio WAV numerado (01-…, 02-…) y Descargar todo (ZIP) los guarda juntos.
El botón Compartir copia un enlace con tu texto, la voz y la velocidad, para que otra persona genere la misma voz en su navegador.
Voces e idiomas
Las voces de Kokoro para navegador hablan solo inglés. Hay 20 voces de inglés estadounidense (11 femeninas y 9 masculinas) y 8 de inglés británico (4 femeninas y 4 masculinas). Cada voz de la lista muestra la nota global de la ficha del modelo; Heart y Bella (estadounidenses, femeninas) tienen la mejor nota, y Emma (británica, femenina) y Fenrir, Michael y Puck (estadounidenses, masculinas) son buenas alternativas.
La pronunciación sale del fonemizador espeak-ng, así que nombres, siglas y números suelen leerse bien, aunque las palabras poco comunes pueden necesitar otra redacción. Si la mayor parte del texto está en otra escritura, la herramienta te avisa, porque esos caracteres no se pueden vocalizar.
Ejemplo
Carga el párrafo de ejemplo, deja la voz predeterminada Heart y pulsa Generar. Las dos líneas se convierten en dos fragmentos y en pocos segundos obtienes unos veinte segundos de voz con una pausa breve entre párrafos. Cambia a George para un narrador británico o sube la velocidad a 1,3× para una lectura más ágil, y vuelve a generar.
Requisitos y privacidad
Necesitas un navegador moderno con WebAssembly y Web Workers: Chrome, Edge, Firefox o Safari actuales, en escritorio o móvil. WebGPU es opcional y solo acelera el proceso. Los móviles con poca memoria pueden tener problemas con textos largos; elige Solo CPU si WebGPU falla. Los archivos del modelo vienen de Hugging Face y el motor ONNX Runtime de una CDN pública; cada archivo de voz (unos 0,5 MB) se descarga la primera vez que lo usas. Una vez en caché, la generación funciona sin conexión.
Preguntas frecuentes
› ¿Se sube mi texto a un servidor?
No. La voz se genera en tu propio dispositivo con un modelo que se ejecuta en el navegador. La página descarga los archivos del modelo una vez desde Hugging Face, pero tu texto y el audio nunca salen de la página.
› ¿Qué idiomas habla?
Solo inglés. Kokoro-82M v1.0 para navegador incluye 28 voces, 20 con acento estadounidense y 8 con acento británico. El texto en otros idiomas o escrituras, como chino, árabe o ruso, se omitirá o se pronunciará mal.
› ¿Cuánto pesa la descarga y tengo que repetirla?
Unos 92 MB para el modelo de 8 bits que se ejecuta en la CPU, o unos 326 MB para el modelo de precisión completa que se usa con WebGPU, más el motor ONNX Runtime y un pequeño archivo por voz. El navegador lo guarda todo en caché, así que las siguientes visitas arrancan en segundos sin volver a descargar.
› ¿Puedo usar el audio con fines comerciales?
Los pesos de Kokoro-82M y la biblioteca kokoro-js se publican con licencia Apache 2.0, y el modelo se entrenó con audio de licencia permisiva, así que la voz generada puede usarse en vídeos, pódcasts o aplicaciones. Consulta la ficha del modelo en Hugging Face para ver los términos completos.
› ¿Por qué va lento en mi ordenador?
Sin WebGPU el modelo se ejecuta en la CPU mediante WebAssembly, y en portátiles o móviles antiguos puede tardar unos segundos por frase. Chrome y Edge con WebGPU son mucho más rápidos. Los textos largos se dividen en fragmentos, así que ves el progreso y puedes detenerte cuando quieras.