Voicebox

Voicebox crea un perfil de voz a partir de una muestra corta en lugar de una larga sesión de entrenamiento. Puedes soltar un archivo de audio, grabar hasta 30 segundos con el micrófono o capturar el audio que suena en tu sistema, lo que significa que puedes clonar una voz directamente de un vídeo o un pódcast. Los perfiles son reutilizables. Puedes combinar varias muestras para afinar el resultado. Para quien quiera clonación de voz de código abierto sin alquilar minutos en la nube, este es el núcleo de la herramienta.

En lugar de apostar por un solo modelo, Voicebox reúne siete motores de texto a voz y te deja cambiar entre ellos. Qwen3-TTS se ocupa de la clonación multilingüe, Chatterbox Multilingual cubre el rango de idiomas más amplio, Chatterbox Turbo añade etiquetas paralingüísticas como risas y suspiros, y Kokoro se mantiene pequeño y rápido en CPU. No hay un motor mejor, solo el adecuado para cada tarea. Elegir según el trabajo supera a quedarse atado a lo que ofrezca un único proveedor.

Un atajo global convierte tu voz en texto en cualquier app. Mantén las teclas, habla y suelta; la transcripción cae en el campo activo o en el portapapeles. Es la parte que te deja dictar en cualquier app de macOS y Windows, y cada cuadro de texto tiene un botón de micrófono integrado. La transcripción y el audio original se guardan juntos en Captures, así puedes volver a lo que dijiste más tarde. Es una respuesta práctica a escribir mensajes largos a mano.

Una sola llamada de herramienta, voicebox.speak, permite que cualquier agente compatible con MCP hable con una voz que hayas clonado. Claude Code, Cursor, Cline y cualquier otra cosa que hable MCP pueden vincularse a un perfil de voz, así oyes qué agente responde sin mirar. Cada clip iniciado por un agente muestra la misma píldora en pantalla, así nada suena en silencio de fondo. El punto de acceso también encaja con otros protocolos de llamada de herramientas, como ACP y A2A, en el mismo servidor local.

Cada motor que descargas se convierte en un punto de acceso REST en tu propia máquina, en el puerto 17493. No hay claves de API, ni límites de uso, ni tarifas por carácter, porque las peticiones nunca salen de tu ordenador. Los desarrolladores la usan para generar diálogos de NPC, localizar personajes o añadir respuestas de voz a una app, todo contra una dirección localhost. Para quien construye funciones de voz, elimina el habitual intercambio entre precio y privacidad.

Un perfil de voz puede llevar una personalidad libre, y el modelo local de la app reescribe tu texto con esa voz o improvisa una frase nueva a petición. Eso viene bien para diálogos de juego, indicaciones de narración o mantener un personaje coherente a lo largo de un proyecto largo. El editor Stories luego coloca varias voces en una línea de tiempo multipista, así puedes montar una escena o un segmento de pódcast con varios hablantes. Convierte clips sueltos en una pieza terminada. Sin necesidad de estudio.