Texto a Voz
Convierte texto a voz en español o inglés con IA que corre en tu navegador. Elige voz y velocidad, escúchalo y descarga el audio en WAV. Gratis y sin enviar el texto.
Qué hace esta herramienta
Escribe o pega un texto, elige una voz y la velocidad, y un modelo de inteligencia artificial lo lee en voz alta. Puedes escuchar el resultado en la página y descargarlo en WAV para usarlo en un video, una presentación o un audio de WhatsApp.
El modelo es Kokoro 82M, un modelo de voz abierto (licencia Apache 2.0) que corre dentro de tu navegador. El texto no se sube a ningún servidor: no hay cuenta, ni cuota de caracteres al mes, ni marca de agua en el audio.
Cómo usarla
- Escribe o pega el texto (hasta 3.000 caracteres).
- Elige la voz: tres en español (Dora, Alex y Santa) y cinco en inglés, de Estados Unidos y del Reino Unido.
- Ajusta la velocidad si quieres que lea más lento o más rápido.
- Pulsa Generar audio. La primera vez se descarga el modelo; verás el tamaño antes de empezar y una barra de progreso.
- Escucha el resultado y pulsa Descargar WAV.
Los textos largos se parten por frases, se genera cada una y se unen en un solo audio con una pausa corta entre ellas.
Voces del sistema: la opción sin descarga
En la pestaña Voces del sistema el texto se lee con las voces que ya trae tu sistema operativo (Windows, macOS, Android o iOS). No descargan nada y suenan al momento, pero tienen dos límites: el navegador no permite guardarlas como archivo y cambian de un equipo a otro. Sirven para escuchar un texto rápido; para descargar el audio, usa la voz con IA.
Privacidad: el texto no sale de tu equipo
Los servicios de texto a voz habituales mandan tu texto a un servidor que genera el audio y te lo devuelve. Aquí todo ocurre en tu navegador: lo único que viaja por la red es la descarga del modelo, la primera vez. Puedes convertir un guion sin publicar, un documento interno o un mensaje personal sin que nadie más lo lea.
Requisitos y tamaño de la descarga
- Versión ligera (CPU): unos 111 MB — el modelo Kokoro cuantizado (92 MB) más el fonetizador eSpeak NG (18 MB), que pasa el texto a fonemas.
- Versión para GPU (WebGPU): unos 344 MB. Es más rápida; la herramienta la ofrece sólo si tu navegador tiene WebGPU, y puedes desactivarla para bajar la ligera.
Todo se guarda en la caché del navegador, así que las siguientes veces empieza al instante. Funciona en navegadores de escritorio recientes y en móviles con memoria suficiente; en un teléfono modesto puede tardar o quedarse sin memoria con textos largos.
Lo que conviene saber de las voces en español
Kokoro se entrenó con mucho más audio en inglés que en español, y se nota: las voces en inglés suenan más naturales. Las de español se entienden bien y sirven para narraciones, pero pueden sonar algo planas o acentuar raro alguna palabra poco común.
El texto se convierte a fonemas con la variante latinoamericana de eSpeak, así que la «c» y la «z» suenan como «s» y la «ll» como «y». Los números se leen en palabras («25» → «veinticinco»). Para siglas y nombres propios raros, escribirlos como se pronuncian suele dar mejor resultado.
Preguntas frecuentes
¿Es gratis? ¿Tiene límite?
Es gratis y no pide cuenta. El único tope es de 3.000 caracteres por conversión, porque el cálculo lo hace tu equipo y un texto mucho más largo tardaría varios minutos. Para un texto largo, conviértelo por partes.
¿Se envía mi texto a algún servidor?
No. El modelo de voz se descarga a tu navegador y la conversión ocurre ahí mismo. Lo único que viaja por la red es la descarga del modelo, la primera vez; el texto que escribes no sale de tu equipo.
¿Cuánto se descarga?
Unos 111 MB la primera vez: el modelo Kokoro 82M en versión ligera (92 MB) y el fonetizador eSpeak NG (18 MB). Si tu navegador tiene WebGPU puedes usar la versión para GPU, más rápida, que pesa unos 344 MB. Todo queda en la caché del navegador y las siguientes veces no se vuelve a bajar.
¿Con qué acento hablan las voces en español?
Las tres voces de español de Kokoro (Dora, Alex y Santa) suenan a español neutro. El texto se pasa a fonemas con la variante latinoamericana de eSpeak, así que la «c» y la «z» se pronuncian como «s» y la «ll» como «y», como en México. Son voces menos pulidas que las de inglés: el modelo se entrenó con mucho más audio en inglés.
¿Qué diferencia hay entre la voz con IA y las voces del sistema?
Las voces del sistema son las que trae tu sistema operativo: suenan al instante y no descargan nada, pero el navegador no deja guardarlas como archivo y cambian de un equipo a otro. La voz con IA se genera en tu navegador, suena igual en cualquier equipo y se puede descargar en WAV.
¿Puedo usar el audio en mis videos o proyectos?
Kokoro 82M se publica con licencia Apache 2.0, que permite el uso comercial. El audio que generas es tuyo para usarlo; revisa en todo caso las reglas de la plataforma donde lo publiques sobre contenido hecho con IA.
¿Por qué tarda?
La primera vez, por la descarga. Después, depende de tu equipo: en CPU una frase corta tarda unos segundos y un texto de varios párrafos puede tardar uno o dos minutos. Con la GPU (WebGPU) es bastante más rápido.
Herramientas relacionadas
Otras del catálogo que se usan bien junto a esta.