Todo el mundo busca una herramienta de texto a voz (TTS) que cumpla con todo: voces naturales que capten el contexto, y que sean capaces de convertir guiones largos en audio atractivo. En esta ocasión analizamos Microsoft VibeVoice TTS, una solución de código abierto que, aunque no cumple al cien por cien con todas esas expectativas, supone un avance impresionante en esa dirección.
Acompáñanos en nuestra revisión de VibeVoice AI.
Buenas vibraciones: nuestra revisión de VibeVoice AI
Dividimos el análisis en varias secciones para facilitar la consulta y abordar cada aspecto de la herramienta.
Qué es VibeVoice AI
A diferencia de tantas otras herramientas y plataformas de inteligencia artificial que reseñamos habitualmente, VibeVoice no es una web ni un servicio concreto, sino el motor que alimenta a muchos de ellos. Se trata de un sistema TTS desarrollado por Microsoft con el propósito declarado de impulsar el desarrollo del texto a voz para todos, y está distribuido a través de GitHub.
A partir de septiembre de 2025, Microsoft restringió el acceso público al modelo TTS descargable debido a preocupaciones relacionadas con la IA responsable, aunque la documentación del proyecto y las fichas del modelo siguen disponibles.
Bajo el capó
¿Qué tecnología hay detrás de VibeVoice? El motor que lo alimenta es un modelo generativo de gran escala para convertir texto en voz. Cualquier PC que ejecute sus 1.500 millones de parámetros va a necesitar una cantidad nada desdeñable de VRAM para funcionar, lo cual es sin duda una limitación para organizaciones pequeñas y usuarios individuales.
Lascaracterísticas principales que sitúan a VibeVoice en la vanguardia de su campo son:
- Clonación de voz e idiomas – VibeVoice es compatible de forma nativa con inglés y chino. Para otros idiomas será necesario proporcionar muestras de voz para clonarlas, pero el sistema lo hace de manera competente y con solo unos pocos fragmentos de audio. Las propias voces suenan notablemente naturales y ofrecen enormes posibilidades de uso (y, lamentablemente, de uso indebido).
- Voces múltiples – A diferencia de otras herramientas TTS, VibeVoice permite incluir hasta cuatro voces en un mismo guión, hablando por turnos. Aunque esto excluye solapamientos y errores que harían un clip verdaderamente realista, sigue siendo muy impresionante.
- Conciencia del contexto – Algunos sistemas necesitan que el guión incluya indicaciones de dirección vocal para reproducir mejor las emociones, mientras que VibeVoice aplica emoción y ritmo directamente a través de la comprensión contextual y las señales del propio texto.
- Duración y velocidad – Quizás el rasgo más destacado de VibeVoice sea la capacidad de generar hasta 90 minutos de audio de una sola vez. Gracias a su representación eficiente de tokens acústicos y a la arquitectura del modelo, VibeVoice puede producir en horas lo que antes llevaba mucho más tiempo. Además, mantiene una conciencia contextual y una calidad de generación consistentes (con algunos problemas de ritmo), lo cual es realmente notable.
¿A quién va dirigido?
Debido a su alta demanda en términos de potencia de cómputo y recursos necesarios, está claro que no todo el mundo podrá tener VibeVoice TTS instalado en su equipo doméstico. El objetivo declarado por Microsoft para esta IA está más orientado a investigación y desarrollo que a uso comercial, ya que se distribuye con licencia MIT.
Dicho esto, no existen reglas estrictas sobre su utilización, y una búsqueda rápida en línea revela cuántas empresas comerciales están empleando VibeVoice de forma de pago (basada en créditos). Plataformas como AuraVoice y VibeVoices utilizan el nombre de la herramienta ya sea como parte de su propia denominación o en sus enlaces para atraer suscriptores.
El proyecto de investigación subyacente está disponible de forma gratuita, mientras que numerosos servicios de terceros cobran por ofrecer un acceso alojado y cómodo.