Kit de herramientas Python de código abierto para convertir texto en voz y convertir voces, con modelos preentrenados, herramientas de entrenamiento y utilidades para organizar conjuntos de datos.
Alternativa open source a:ElevenLabs
Google Cloud Text-to-Speech
Coqui TTS es una biblioteca de deep learning para generar voz a partir de texto. Incluye modelos preentrenados para más de 1100 idiomas y código para entrenar modelos nuevos o ajustar los existentes con tus propios datos. Es un fork del proyecto original Coqui TTS y se mantiene bajo el paquete de PyPI coqui-tts.
La biblioteca implementa distintas arquitecturas, como Tacotron2, Glow-TTS, FastPitch, VITS y el modelo XTTS, que admite la clonación de voz y la generación de audio en streaming. También incluye vocoders como HiFiGAN y WaveRNN, y modelos de conversión de voz como FreeVC, kNN-VC y OpenVoice. Admite la síntesis con varios hablantes y en varios idiomas.
Puedes usar la biblioteca mediante una herramienta de línea de comandos llamada tts, una API de Python o una imagen de Docker que ejecuta un servidor TTS local. El directorio dataset_analysis ofrece herramientas para inspeccionar y organizar conjuntos de datos de voz.
Instala PyTorch, torchaudio y torchcodec (uv selecciona la compilación adecuada para tu sistema)
uv pip install torch torchaudio torchcodec --torch-backend=autoInstala coqui-tts desde PyPI
uv pip install coqui-ttsMuestra los modelos preentrenados disponibles desde la línea de comandos
tts --list_modelsResumen generado por IA a partir del README del proyecto. Las estadísticas de GitHub se actualizan a diario.
VoxCPM2 es un modelo de texto a voz de código abierto y sin tokenizador que admite 30 idiomas, diseño de voz a partir de descripciones de texto y clonación de voz a partir de clips de referencia cortos.
Familia de modelos de texto a voz de código abierto de Resemble AI, con clonación de voz a partir de un breve clip de referencia en inglés y muchos otros idiomas.
Sistema open source de texto a voz basado en flow matching y un Diffusion Transformer, con clonación de voz zero-shot a partir de una breve muestra de audio.
Modelo TTS ligero basado en ZipVoice para clonar voces y generar audio a 48 kHz, con una velocidad de más de 150 veces el tiempo real en GPU.
Biblioteca de texto a voz de código abierto cuyo modelo KittenTTS 2 clona voces a partir de 5 segundos de audio y funciona en tiempo real en CPU.
Modelo de texto a voz de código abierto, multilingüe a gran escala y zero-shot, compatible con más de 600 idiomas, clonación de voz y diseño de voces.