LO ESENCIAL EN 30 SEGUNDOS

  • Audio8-TTS-Realistic tiene unos 601 millones de parámetros (sin contar el códec) y se distribuye bajo Apache 2.0, tanto el código como los pesos.
  • Admite 23 idiomas, 12 más que la versión Preview, y clona una voz sin entrenamiento adicional a partir de una grabación y su transcripción exacta.
  • La ficha del modelo pide obtener permiso antes de clonar una voz y avisar del audio sintético, pero no detalla salvaguardas técnicas ni una evaluación de seguridad formal.

Edge0, una pequeña empresa que desarrolla modelos pensados para ejecutarse en local en móviles, portátiles, dispositivos vestibles y robots, ha publicado Audio8-TTS-Realistic, un modelo de texto a voz capaz de imitar a un hablante a partir de una sola grabación de referencia. El lanzamiento, que recibió cobertura en línea a finales de octubre, pasa a ser el modelo principal del repositorio Audio8 TTS de la compañía y sustituye a una versión Preview anterior.

Tamaño, licencia e idiomas

Según su ficha en Hugging Face, el modelo tiene 601 millones de parámetros, sin contar el códec de audio que se incluye con él. El código y los pesos se publican bajo Apache 2.0, una licencia permisiva que exige atribución, recogida en un archivo NOTICE. Es un ajuste fino de Audio8-TTS-Preview-0.6b y emplea un diseño autorregresivo en dos etapas que, según la ficha, se inspira en Fish Audio S2 Pro: un transformer de 24 capas predice un token semántico por cada fotograma de audio y otro más pequeño, de cuatro capas, completa los detalles del códec. El audio de salida es de 44,1 kHz.

La cobertura pasa de 11 a 23 idiomas. Al conjunto de la versión Preview (que incluye inglés, chino, cantonés, japonés, coreano, francés, español y alemán) se suman, entre otros, árabe, hindi, indonesio, malayo, portugués, ruso, tailandés, turco, vietnamita y tres lenguas nórdicas. Edge0 advierte de que la calidad varía según el idioma. A diferencia del modelo pequeño de 0,1B, que funciona en CPU mediante ONNX, el nuevo se recomienda para GPU CUDA y no tiene exportación a ONNX.

Benchmarks y salvaguardas

La empresa informa de una similitud de hablante de 0,704 en la prueba Seed-TTS en inglés y chino, frente a 0,682 de la versión Preview, con una tasa de error prácticamente igual, del 1,25 %. Su propia tabla comparativa muestra que otros sistemas rinden mejor en algunas pruebas, como Qwen3-TTS-1.7B en errores de Seed-TTS o Higgs Audio v3 en un conjunto MiniMax de 24 idiomas. Edge0 subraya que estas cifras miden inteligibilidad y parecido, no el realismo percibido, y que las comparaciones entre proyectos usan métodos de evaluación distintos.

La clonación requiere un fragmento de referencia y una transcripción que coincida exactamente con él. En cuanto al mal uso, la sección de uso responsable pide obtener permiso antes de clonar la voz de alguien y advertir del audio sintético cuando corresponda. Más allá de esas pautas, ni la ficha ni el repositorio de GitHub describen marcas de agua, comprobaciones de consentimiento ni una evaluación de seguridad formal, algo relevante en un modelo de licencia libre capaz de imitar voces reales.