Voicebox es un banco de trabajo de voz de código abierto con IA que integra clonación de voz, texto a voz, reconocimiento de voz Whisper, dictado global, API REST y MCP Server en una única aplicación de escritorio.
Es compatible con Windows CUDA, macOS MLX, Linux, AMD ROCm, Intel Arc y Docker. Los usuarios de Windows pueden instalar MSI directamente sin necesidad de configurar primero un proyecto en Python. Los modelos, el audio de referencia y los resultados generados se guardan localmente por defecto, adecuados para situaciones en las que no se quieren subir muestras de sonido a servicios de terceros.
Respuesta rápida
La forma más sencilla en Windows es descargar MSI desde Voicebox Releases. Después de la primera ejecución, instala solo un motor TTS adecuado para VRAM, primero convierte texto normal a voz y luego añade audio de referencia para clonar voz. Cuando necesites dejar que Claude Code, Cursor u otros agentes hablen, activa el servicio en la configuración MCP de Voicebox y configura el cliente según la dirección generada por la interfaz.
No descargues todos los modelos a la vez. Qwen3-TTS, Chatterbox, TADA y Whisper ocuparán memoria de disco y vídeo respectivamente, y tener demasiados modelos puede dificultar la resolución inicial de problemas.
¿Qué puede hacer Voicebox?
El proyecto actual combina los dos enlaces de voz de entrada y salida:
- Crear configuraciones sonoras usando unos segundos de audio de referencia;
- Generar voz a través de motores como Qwen3-TTS, Chatterbox, Kokoro;
- Usar Whisper para convertir micrófonos o archivos de audio en texto;
- Utilizar atajos globales para dictar en otras aplicaciones;
- Permitir que los agentes de IA invoquen voz mediante API REST o MCP;
- Combinar diálogos multirrol, podcasts o narración en el editor de Historias;
- Añadir efectos como reverberación, cambio de tono y compresión a los resultados generados.
El proyecto README actualmente lista 7 motores TTS y 23 lenguajes, pero cada motor soporta diferentes lenguajes, requisitos de memoria y rendimiento. Por lo tanto, “soporte de aplicaciones para 23 lenguajes” no puede entenderse como soporte para todos los lenguajes para cada modelo.
Pasos de instalación de Windows
1. Comprueba la tarjeta gráfica y el controlador
Los usuarios de NVIDIA son los primeros en correr:
|
|
Si el comando no existe o no se puede mostrar información del controlador, primero reparar el controlador de la tarjeta gráfica. La instalación exitosa de Voicebox no significa necesariamente que exista la inferencia CUDA.
Sin tarjetas gráficas NVIDIA, también puedes probar otros backends soportados por la CPU o el proyecto, pero la velocidad de generación y los modelos disponibles se verán afectados.
2. Descargar MSI
Descarga el último instalador de Windows desde la página oficial de la Release:
|
|
Tras la instalación, lanza desde el menú Inicio. Si Windows SmartScreen solicita un editor desconocido, primero verifica el enlace de descarga, el nombre del archivo de liberación y el repositorio del proyecto; no busques las llamadas versiones verdes en unidades en la nube de terceros.
3. Solo se descargó un modelo para pruebas
La primera prueba puede seleccionarse por hardware:
| Escenario | Punto de partida recomendado |
|---|---|
| La CPU o la VRAM son muy pequeñas | Kokoro o LuxTTS |
| Requiere chino, multilingüe y clonación de voz | Qwen3-TTS 0.6B |
| Enfatizar el control de expresión | Qwen3-TTS 1.7B o Qwen CustomVoice |
| Necesito más cobertura lingüística | Chatterbox Multilingüe |
El modelo específico disponible se basa en la página actual de gestión de modelos de la aplicación. Después de descargar el modelo, primero introduce un texto corto para generar la voz por defecto, confirma que el backend es normal y luego crea la configuración de sonido.
Crear configuración de clon de voz
El audio de referencia afecta directamente los resultados. Recomendaciones:
- Utilizar grabaciones individuales sin música de fondo ni reverberación;
- Mantener la velocidad natural de habla y un volumen estable;
- Eliminar el silencio prolongado y el ruido evidente;
- Usa solo voces que hayas autorizado;
- Prueba primero con frases cortas; no generes artículos largos directamente.
Sube o graba audio de referencia en el Perfil de Voz, selecciona un motor que soporte clonación de disparo cero y luego introduce el texto de prueba. Diferentes motores tienen diferentes requisitos en cuanto a longitud de audio de referencia y precisión en transcripciones. Si un motor funciona mal, puedes cambiar de motor para comparar en vez de simplemente aumentar el volumen.
Usa Whisper para dictado y transcripción
La entrada de voz de Voicebox utiliza Whisper, y puedes elegir tamaños como Base, Pequeño, Mediano, Grande o Turbo. Normalmente:
- Modelos pequeños se descargan rápidamente y consumen poco uso, adecuados para dictado diario;
- Los modelos grandes son más pesados, adecuados para acentos, ruido o contenido complejo;
- El turbo es adecuado para tareas en las que se desea aumentar la velocidad manteniendo una buena calidad.
El dictado global requiere permisos de micrófono del sistema. Si ves que aparece “Puede grabar pero no puede pegar”, comprueba los permisos del micrófono, conflictos de teclas de acceso directo en Voicebox y si la app de destino permite entrada automática.
Integrar al agente MCP
Voicebox tiene un servidor MCP integrado que permite a los clientes compatibles con MCP llamar a voicebox.speak. El proceso recomendado es:
- Completar una generación manual de voz en Voicebox;
- Abrir Ajustes → MCP;
- Habilitar MCP y copiar la información de conexión proporcionada por la interfaz;
- Añadir el servicio en Claude Code, Cursor, Cline u otros clientes MCP;
- Que el Agente pronuncie solo una frase corta para confirmar la conexión y la configuración sonora;
- Luego vincula diferentes perfiles de voz a distintos agentes.
El proyecto proporciona métodos de transmisión tanto HTTP como stdio. No confíes en tutoriales antiguos para puertos manuscritos y rutas binarias; prioriza usando la configuración generada por la página de configuración de la versión actual.
Las voces de agente son adecuadas para notificaciones de finalización, problemas de aprobación y breves indicaciones de estado. No dejes que lea el registro completo en voz alta, ya que esto ocupará la cola de generación y es difícil localizar errores técnicos en la voz.
Ejecutando Docker
El punto de entrada de Docker proporcionado por el proyecto README es:
|
|
Docker es más adecuado para servidores Linux o usuarios que quieren aislar dependencias. Si necesitas una GPU en Windows, asegúrate de que Docker Desktop, WSL2, los controladores NVIDIA y el soporte para GPU contenedor sean normales. La dictado de escritorio y los atajos globales son más adecuados para la versión nativa de MSI.
El docker-compose.yml oficial por defecto utiliza compilaciones de CPU y no usa automáticamente GPUs NVIDIA. Restringe los servicios a direcciones locales de bucle:
|
|
Por lo tanto, la versión Docker de la comprobación de salud debería acceder a la 17600 del host, no a la 17493 comúnmente usada en las versiones de escritorio:
|
|
El archivo Compose también define tres tipos de datos persistentes:
| Datos | Posición predeterminada | Función |
|---|---|---|
| Generar Audio | ./output |
Conveniente para leer directamente los resultados del host |
voicebox-data |
Docker nombrado volumen | Guarda los datos de perfil, base de datos y aplicaciones |
huggingface-cache |
Docker nombre volumen | Evita volver a descargar el modelo tras reconstruirlo |
No añadas -v al detener el contenedor:
|
|
docker compose down -v también eliminará volúmenes nombrados, lo que puede hacer que tanto la caché del modelo como los datos de la aplicación desaparezcan.
Entendiendo por qué la primera generación es lenta
La documentación oficial de resolución de problemas indica que la primera generación puede tardar entre 2 y 5 minutos porque la aplicación necesita descargar e inicializar el modelo. El tamaño del modelo varía mucho según el motor: Kokoro tiene unos 350 MB, mientras que TADA 3B puede alcanzar unos 8 GB.
Durante la primera prueba, observa en el siguiente orden:
- ¿Muestra Configuración → Modelos el progreso de descarga;
- Si la red puede acceder a Hugging Face;
- Una vez completada la descarga del modelo, si la GPU o la CPU han empezado a funcionar;
- Comprueba si la segunda generación es notablemente más rápida.
Si la primera vez es lenta y la segunda es normal, no es un fallo. Solo si el progreso de la descarga permanece sin cambios durante mucho tiempo, hay errores en los registros, o si la descarga se reinicia cada vez que inicias, deberías revisar el directorio de red y caché.
Para bajo ancho de banda o simplemente para confirmar la instalación exitosa, la recomendación oficial es primero usar Kokoro o LuxTTS, ambos con volúmenes de descarga de unos 300–350 MB, y luego decidir si instalar modelos de clonación más grandes.
Ver estado del servicio y registros
El backend de la app de escritorio se configura por defecto en 17493. Si aparece un estado rojo o aparece un mensaje de Failed to connect to server en la esquina inferior izquierda, primero comprueba el puerto:
|
|
Si se devuelve otro proceso, registra el PID:
|
|
Después de confirmar que el proceso puede detenerse, ciérralo normalmente. No mates directamente procesos del sistema desconocidos solo porque detecten la ocupación de puertos.
El Registro de Servicio de Windows se encuentra en:
|
|
PowerShell permite la visualización en tiempo real de la cola:
|
|
Los registros pueden distinguir al menos cuatro tipos de problemas: fallo de servicio al iniciar, fallo de descarga del modelo, errores CUDA/memoria y errores de audio o base de datos.
flash-attn is not installed ¿Debería repararse?
Los registros de Windows pueden repetirse:
|
|
La documentación oficial indica claramente que esto normalmente puede ignorarse. Windows no tiene soporte oficial estable para flash-attn; Voicebox utiliza el SDPA integrado de PyTorch, y la voz aún puede generarse normalmente. No trates esta advertencia como un fallo de inicio de servicio, ni recomiendas instalar una rueda comunitaria desajustada para borrar los registros.
Solo considera cuando las versiones de Linux, CUDA y PyTorch son totalmente compatibles y el rendimiento está realmente limitado:
|
|
La compilación puede tardar más de veinte minutos, y el fallo no afecta al uso continuado del backend por defecto.
Cómo elegir entre modos VRAM y CPU
El documento oficial de resolución de problemas utiliza más de 6GB de VRAM como umbral práctico para la generación de GPU. Los diferentes motores seguirán teniendo variaciones, por lo que el modelo real y la longitud del texto deberían usarse como estándar.
Cuando aparezca CUDA out of memory, trátalos en el siguiente orden:
- Cierra las pestañas del juego, el editor de vídeo y el navegador que ocupan WebGL;
- Desinstalar el modelo actualmente no utilizado en Voicebox;
- Reiniciar la aplicación y limpiar la VRAM que ha estado ocupada pero no se ha liberado;
- Cambiar a un modelo más pequeño;
- Divide textos largos;
- Por último, cambia a Ajustes → Generación → Usar CPU en lugar de GPU.
El modo CPU utiliza memoria del sistema, y la estimación oficial es que puede ser de 5 a 10 veces más lento que la GPU. Es adecuado para verificar funciones o generación de bajas frecuencias, y no para ocultar problemas de memoria y continuar tareas por lotes.
¿Cómo debería compararse la calidad del sonido?
No juzgues el modelo basándote en generar solo una frase. Prepara un conjunto de textos de prueba fijos:
|
|
Cada Perfil de Voz utiliza el mismo conjunto de texto, el mismo formato de salida y parámetros similares. La recomendación oficial es usar grabaciones claras de 10–30 segundos para audio de referencia, y puedes añadir múltiples segmentos de muestras del mismo altavoz. Cuando el tono es similar pero el tono rígido, comprueba si la muestra de referencia en sí es demasiado monótona, en lugar de simplemente aumentar la longitud de la muestra.
Caché de modelos y copia de seguridad de datos
La aplicación proporciona migración de directorios de modelos e importación y exportación de perfiles. Antes de actualizar, limpiar el disco o reinstalar, prioriza la exportación de perfiles importantes de la aplicación y la grabación del directorio de modelos.
La documentación oficial proporciona un método de recuperación para eliminar directamente la base de datos, pero esto provocará la pérdida de perfiles de voz e historial de generación, por lo que no puede utilizarse como primer paso en la resolución de problemas ordinaria. Cuando te encuentres con un bloqueo SQLite, primero cierra todas las instancias de Voicebox y haz una copia de seguridad de los datos, luego procesa los archivos de bloqueo basándose en los registros.
Si la versión del modelo es anormal, no elimines directamente toda la caché de Hugging Face. Primero, elimina el modelo específico en Ajustes → Modelos; La limpieza manual debe limitarse a un directorio de modelos limpio y asegurarse de que la aplicación esté cerrada.
No expongas los puertos directamente para acceso remoto
El backend de Voicebox proporciona revisiones médicas:
|
|
Esto solo verifica si el servicio es accesible y no significa que sea adecuado para la exposición directa a la red pública. Para el uso remoto, al menos se requieren lo siguiente:
- Los cortafuegos solo permiten fuentes confiables;
- Acceso vía VPN, túnel SSH o proxy inverso autenticado;
- No se revelan las interfaces de gestión de modelos, perfiles y generación;
- Comprobar si el cliente MCP escribe la dirección de la herramienta en la configuración sincronizada;
- Revisa regularmente tus registros de visitas.
Si el Agente solo se está llamando en el mismo ordenador, el 127.0.0.1 debería seguir vinculando sin abrir el puerto LAN.
Solución de problemas comunes
La descarga del modelo está atascada
Primero, comprueba el espacio en disco y la red, y luego comprueba si Hugging Face Hub es accesible. Al desactivar, limpiar y migrar la página del modelo de Voicebox, prioriza el uso de funciones integradas y no elimines directamente todo el directorio de datos.
Cuando sea necesaria una verificación manual, puedes instalar la CLI de Hugging Face y probar la descarga del modelo por separado:
|
|
Cuando la CLI tampoco puede descargarse, el problema suele estar en la red, proxy, disco o acceso a Hugging Face, en lugar de la interfaz Voicebox.
CUDA está disponible pero carece de VRAM durante la generación
Cierra otros programas intensivos en GPU, desinstala los modelos no utilizados, cambia a motores más pequeños o a la versión 0.6B, y reduce la cantidad de texto generado por tiempo. Aunque el texto largo puede dividirse automáticamente en fragmentos, sigue aumentando el tiempo de tarea y el uso de caché.
Pronunciación china antinatural
Confirma que el motor actual soporta claramente chino e intenta emparejar el idioma de audio de referencia con el texto generado tanto como sea posible. Aunque el modelo específico en inglés pueda leer caracteres chinos, eso no significa que la calidad china esté cualificada.
El MCP está configurado pero el agente no tiene sonido
Primero, genera manualmente la voz dentro del Voicebox, luego comprueba si el cliente MCP ha encontrado el voicebox.speak, si existe el nombre del Perfil de Voz y si el Voicebox sigue funcionando. Separa las secciones “Herramienta no conectada” y “Fallo de generación de voz” para investigarlas.
Privacidad y autorización de voz
La operación local reduce el riesgo de subir muestras de voz, pero no resuelve automáticamente los problemas de autorización. No clones voces de otros por suplantación, fraude o contenido público no autorizado. Al publicar públicamente audio generado, es mejor indicar claramente la fuente de la síntesis y proteger adecuadamente el audio de referencia y el perfil de voz exportado.
Referencias
- Repositorio GitHub de Voicebox
- [Última versión de Voicebox] (https://github.com/jamiepine/voicebox/releases/latest)
- Documentación oficial de Voicebox