Qué es
VoiceStudio es una aplicación de escritorio de código abierto (licencia AGPL-3.0) creada por Palash Debnath que se presenta como la alternativa local a ElevenLabs. Hace de todo con la voz: clona una voz a partir de un audio de referencia, diseña voces nuevas, dobla videos, dicta, transcribe y arma audiolibros. Todo corre en tu propia computadora, sin subir tu audio a ningún servicio, y soporta 646 idiomas. Es un proyecto muy activo, con más de 70.000 estrellas en GitHub.
Qué podés hacer
- Clonar voces: con una grabación de referencia limpia, genera texto nuevo con esa voz (zero-shot).
- Diseñar voces: describís la voz que querés y la app la crea desde cero.
- Doblar videos: reemplaza la voz de un video con habla sincronizada en el tiempo.
- Dictar: un widget flotante para pasar tu voz a texto mientras trabajás.
- Transcribir: audio a texto (speech-to-text).
- Audiolibros y lotes: cuentos, audiolibros y trabajos por lote, con recetas reutilizables y carpetas vigiladas (watch folders).
- Conectar con agentes: expone una API local y un servidor MCP para que tus agentes de IA lo usen.
Cómo funciona
- Todo local: los flujos corren en tu hardware; los servicios remotos son opcionales y la telemetría solo con consentimiento.
- Motores intercambiables: arranca con el motor por defecto (basado en k2-fsa/OmniVoice) y podés elegir otros; el gestor de modelos descarga y administra los modelos de voz locales.
- App de escritorio: es una app Electron (la versión Tauri quedó atrás en la 0.5.3) con espacios de trabajo para clonar, doblar, diseñar y administrar modelos.
- Instalación: en macOS y Linux,
curl -fsSL https://voicestudio.sh/install | sh; en Windows,irm https://voicestudio.sh/install | iexen PowerShell. También hay descargas para macOS (.dmg), Windows (.exe) y Linux (.AppImage o .deb), además de Docker.
Hardware y requisitos
- NVIDIA (Windows / Linux): aceleración por CUDA.
- Apple Silicon: aceleración Metal (MPS).
- Sin GPU dedicada (gráficos integrados, PCs viejas): funciona igual en CPU, más lento (instala un build de PyTorch de CPU, unos 5 GB).
- Windows on ARM (Snapdragon): experimental.
- Mac Intel: solo la interfaz; se conecta a un backend remoto.
Conceptos clave
- Local primero: es el punto central del proyecto. Tu voz y tu audio no salen de tu máquina.
- Clonación zero-shot: alcanza con un audio de referencia para imitar la voz, sin entrenar nada.
- Doblaje sincronizado: no solo traduce; ajusta el habla a los tiempos del video.
- API local y MCP: pensado para integrarse con agentes y automatizaciones.
- Uso responsable: la licencia es AGPL-3.0 y el proyecto pide clonar voces solo con permiso; los pesos de los modelos tienen sus propias condiciones.
Por qué es importante
Porque hasta hace poco, tener una voz sintética de calidad implicaba pagar una suscripción y mandar tus grabaciones a un servicio en la nube. VoiceStudio le da la vuelta: calidad de estudio en tu propia máquina, sin costos por minuto ni datos que viajan afuera. Y lo hace con una variedad enorme de tareas —clonar, diseñar, doblar, dictar, transcribir, narrar— en un solo lugar y en 646 idiomas. Es la clase de herramienta que le saca la dependencia de la nube a algo que ya debería ser tuyo: tu voz.
Siguiente paso
Instalalo y probá el flujo de clonado: bajá la app (o corré el comando de una línea), abrí "Voice cloning", elegí o sumá una grabación de referencia, escribí el texto y generá. Si preferís, pegale el prompt de instalación a tu agente de código (Claude Code, Codex, Cursor) y que lo deje andando, con una prueba incluida.