Puntos Clave
- Microsoft VibeVoice TTS es una herramienta de código abierto disponible gratuitamente en GitHub.
- Ofrece una capacidad de generación superior de hasta 90 minutos y conciencia del contexto con voces naturales.
- Aunque la herramienta no está monetizada, requiere muchos recursos y varias empresas ofrecen su tecnología a usuarios ordinarios mediante pago.
Parece que todo el mundo busca una herramienta de Texto a Voz (TTS) que lo haga todo: diálogo con sonido natural que entienda el contexto y pueda convertir grandes fragmentos de guion en audio atractivo. Hoy echamos un vistazo a Microsoft VibeVoice TTS, una oferta de código abierto que, si no cumple todos esos criterios, ciertamente representa un avance increíble hacia ello.
Acompáñanos en nuestra review de VibeVoice AI.
Buenas Vibraciones – Nuestra Review de VibeVoice AI
Hemos dividido nuestra review en secciones para facilitar la consulta y cubrir diferentes aspectos de la herramienta.
¿Qué es VibeVoice AI?
A diferencia de muchas otras herramientas y productos de IA que revisamos en este sitio, VibeVoice no es un sitio o plataforma en sí mismo, sino la potencia detrás de ellos. Es un TTS desarrollado por Microsoft con el objetivo declarado de impulsar el desarrollo de TTS para todos, distribuido en GitHub.
A partir de septiembre de 2025, Microsoft restringió el acceso público al modelo TTS descargable debido a preocupaciones sobre IA responsable, aunque la documentación del proyecto y las tarjetas del modelo permanecen disponibles.
Bajo el Capó
¿Cuál es la tecnología que impulsa VibeVoice? El motor detrás de VibeVoice es un modelo grande de texto a voz generativo. Cualquier PC que ejecute sus 1.5B parámetros va a necesitar una cantidad considerable de VRAM para hacer el trabajo, lo cual es definitivamente restrictivo para organizaciones más pequeñas y usuarios individuales.
Las características más grandes de VibeVoice que lo ponen a la vanguardia de su campo son:
- Clonación de Voz y Soporte de Idiomas – VibeVoice soporta nativamente tanto inglés como chino. Otros idiomas requerirán entrada de voz para clonar, pero pueden hacerlo competentemente rápidamente, y solo con unos pocos fragmentos de audio. Las voces en sí son notablemente naturales y ofrecen grandes posibilidades de uso (y desafortunadamente mal uso).
- Múltiples voces – A diferencia de otras herramientas TTS, VibeVoice permite hasta cuatro voces en un guion, hablando por turnos. Aunque esto excluye superposiciones y errores que harían un clip verdaderamente realista, esto no obstante es muy impresionante.
- Conciencia del contexto – Algunas herramientas requieren guiones para proporcionar dirección de voz para emular mejor las emociones, mientras que VibeVoice aplica emoción y ritmo mediante conciencia del contexto y señales dentro del guion real.
- Longitud y velocidad – Quizás la característica destacada de VibeVoice es el hasta 90 minutos de audio que puede generar a la vez. Gracias a su representación eficiente de tokens acústicos y arquitectura de modelo, VibeVoice puede generar TTS en horas lo que previamente ha tomado mucho más tiempo. Además, mantiene una conciencia del contexto consistente y calidad en la generación de audio (con algunos problemas de ritmo), lo cual es verdaderamente impresionante.
¿Para quién es?
Debido a su alta demanda en términos de potencia informática y recursos requeridos, está claro que no todos podrán tener VibeVoice TTS instalado en sus máquinas domésticas. El objetivo declarado de la IA por Microsoft es más para uso de I+D que comercial, estando licenciado bajo MIT.
Dicho esto, no hay reglas estrictas para el uso, y una búsqueda rápida en línea revelará cuántas empresas comerciales están usando VibeVoice sobre una base pagada (basada en créditos). Sitios como AuraVoice y VibeVoices usarán el nombre de la herramienta ya sea como parte de los suyos o en su hipervínculo para atraer suscriptores.
El proyecto de investigación subyacente está disponible gratuitamente, mientras que muchos servicios de terceros cobran por acceso alojado conveniente.