Glasvo locuta 17 segundos de voz en ruso en 0,08 s en una RTX 3070 doméstica
A un desarrollador le cansaron las locuciones online con límite de caracteres y suscripción, y creó Glasvo: un programa gratuito y de código abierto que lee texto en voz alta en el PC de casa. En una tarjeta gráfica RTX 3070, el motor Silero locutó un párrafo de 285 caracteres (17 segundos de audio) en 0,08 s, y la clonación de voz tardó entre 4,4 y 5 s. Para texto en ruso, la pila local sustituye a la suscripción, pero hacen falta unos 10 GB de disco y revisar las licencias.
Procesado por IA desde Habr AI; editado por Hamidun News
Si necesitas locutar texto en ruso con regularidad, conoces la irritación: se acaba el límite gratuito de caracteres y a continuación te piden una suscripción. El autor del proyecto Glasvo resolvió el problema de otra manera y creó un programa que lee el texto en voz alta directamente en el ordenador de casa. El código es abierto y la licencia, MIT.
La velocidad resultante es la siguiente: en una tarjeta gráfica gaming RTX 3070 (8 GB de memoria), el motor Silero locutó un párrafo de 285 caracteres, es decir, algo más de 17 segundos de voz, en 0,08 segundos. La clonación de voz, en la que el programa lee el texto con una voz tomada de una muestra corta, tarda de 4,4 a 5 segundos con ese mismo texto. La conclusión práctica: para texto en ruso, la locución local ya sirve como alternativa a la suscripción, pero tiene sus trampas, y el autor las ha dejado anotadas con honestidad.
Qué hay dentro y cuánto ocupa
En una ventana hecha con tkinter conviven tres motores: Silero, las voces online de Microsoft Edge y la clonación de voz mediante XTTS-v2 y F5-TTS. Los modelos se invocan con unas diez líneas de código. El grueso del trabajo se fue en los detalles que los rodean.
El programa en sí ocupa unos 8 MB y el instalador descarga el resto. El entorno de Python 3.12 con PyTorch 2.5.1 (CUDA 12.1) y 168 paquetes ocupa unos 5,5 GB. Los modelos de Silero pesan entre 39 y 141 MB cada uno, XTTS-v2 ocupa 2,0 GB, el checkpoint ruso de F5-TTS, 1,4 GB, y Whisper small, que transcribe el texto de la muestra de voz, 0,9 GB. En total, unos 10 GB.
La tarjeta gráfica solo hace falta para la clonación de voz. Silero y Edge funcionan sin ella. En XTTS y F5, el pico medido de memoria de vídeo ocupada fue de unos 2 GB, aunque el autor recomienda una tarjeta de 6 GB o más.
Las mediciones se hicieron con un único texto ruso de 285 caracteres, después del calentamiento:
- Silero v5_ru en la tarjeta gráfica: 0,08 s; en el procesador: 0,53 s;
- XTTS-v2: 5 s para 18,7 s de audio, con 13 s de carga del modelo;
- F5-TTS: 4,4 s para 17,3 s de audio, con 4 s de carga.
El autor aclara que se trata de ejecuciones individuales en una sola máquina, no de un benchmark. Aun así, el orden de magnitud está claro: Silero funciona cientos de veces más rápido que el tiempo real, y la clonación de voz, entre tres y cuatro veces más rápido.
Lo que Silero descarta en silencio
La sorpresa más desagradable: Silero no lanza ningún error ante las cifras y el alfabeto latino, simplemente los omite. En lugar de «dve tysyachi dvadtsat shest» («dos mil veintiséis»), en la locución queda un hueco. Las palabras en inglés se eliminan igual de silenciosamente en los modelos rusos.
Por eso, antes del modelo hay dos funciones. La primera convierte los números en palabras mediante num2words y entiende fracciones, enumeraciones y el signo menos. Con los casos gramaticales no es perfecta: «v 1990 godu» («en 1990») puede sonar incorrecto, y el autor aconseja escribir esos números con palabras. La segunda función lee el alfabeto latino en tres pasos:
- Las palabras frecuentes se toman de un diccionario: YouTube pasa a «yutub» y Windows, a «vindous».
- Las palabras en mayúsculas y sin vocales se leen letra a letra: USB se convierte en «yu-es-bi».
- Todo lo demás pasa por transliteración.
La comprobación se hizo con criterio de ingeniería: se locutaron frases con palabras inglesas, se transcribieron de vuelta con Whisper y se encontraron todas las palabras. La clonación se verificó en circuito cerrado: se tomó una voz de Silero como muestra, XTTS y F5 leyeron con ella un texto ruso y Whisper lo transcribió. Las palabras coincidieron al 100% en ambos motores.
También hay límites de longitud. Un fragmento de texto en Silero no debe superar aproximadamente los 700 caracteres, en XTTS-v2, unos 182, y para F5 el autor fijó 400. El texto largo se corta por frases y se vuelve a unir. Los modelos rusos de Silero tienen solo cinco voces; otras 29 están en v5_cis_base y hablan con acento.
Dependencias, instalación y licencias
Lo que más tiempo le costó al autor fueron las versiones de los paquetes. La clonación arrastra coqui-tts, f5-tts y transformers, y el gestor de paquetes choca con conflictos. Hubo que fijar torch 2.5.1: transformers 5 y diffusers 0.43 exigen una versión igual o superior a la 2.6, y eso rompe el resto. Además hicieron falta transformers por debajo de la versión 5, huggingface_hub por debajo de 1.0 y omegaconf 2.3.1 por hydra para F5. En requirements.txt está la copia exacta del entorno que funciona (pip freeze), no rangos de versiones.
La instalación está pensada para quien no tiene Python: el script descarga uv, instala con él Python 3.12 y crea un venv. Sin tarjeta NVIDIA se utiliza la compilación de PyTorch para procesador. Hay dos trampas: la caché de uv debe estar en una carpeta con ruta corta, o el paquete antlr4 no se compila, y no se deben descargar los modelos en la misma carpeta con dos procesos a la vez.
La limitación principal son las licencias. El código está bajo MIT, pero los modelos son en su mayoría no comerciales: Silero y el checkpoint ruso de F5-TTS se publicaron bajo CC BY-NC 4.0, XTTS-v2, bajo la Coqui Public Model License, y solo Whisper usa MIT. Para vídeos monetizados, hay que leer por separado las condiciones del modelo que se vaya a usar. Conviene clonar únicamente la propia voz o la de una persona que haya dado su consentimiento.
Conclusión para el profesional: una locución local en ruso se puede montar en una tarde. Reserva 10 GB de disco, añade el preprocesado de cifras y alfabeto latino, fija las versiones de los paquetes y revisa las licencias desde el principio si piensas darle uso comercial.
- 22 nov 2026Un agente de Microsoft escribió a mano los pesos de una red neuronal y logró un 100 % de precisión en 13 tareas
- 22 nov 2026La SEC investiga la contabilidad de Nvidia: las acciones caen un 14% en un solo día
- 22 nov 2026El proyecto personal de LangChain se convirtió en una startup valorada en 3000 millones de dólares y captó 300 millones
- 22 nov 2026Anthropic sale a bolsa en Nasdaq: las acciones suben de $83 a $111, pero ¿resistirá la seguridad?
Preguntas frecuentes sobre la noticia
¿Qué se sabe sobre Qué hay dentro y cuánto ocupa?
En una ventana hecha con tkinter conviven tres motores: Silero, las voces online de Microsoft Edge y la clonación de voz mediante XTTS-v2 y F5-TTS. Los modelos se invocan con unas diez líneas de código. El grueso del trabajo se fue en los detalles que los rodean. El programa en sí ocupa unos 8 MB y el instalador descarga el resto. El entorno de Python 3.12 con PyTorch 2.5.1 (CUDA 12.1) y 168 paquetes ocupa unos 5,5 GB.
¿Qué se sabe sobre Lo que Silero descarta en silencio?
La sorpresa más desagradable: Silero no lanza ningún error ante las cifras y el alfabeto latino, simplemente los omite. En lugar de «dve tysyachi dvadtsat shest» («dos mil veintiséis»), en la locución queda un hueco. Las palabras en inglés se eliminan igual de silenciosamente en los modelos rusos. Por eso, antes del modelo hay dos funciones. La primera convierte los números en palabras mediante num2words y entiende fracciones, enumeraciones y el signo menos.
¿Qué se sabe sobre Dependencias, instalación y licencias?
Lo que más tiempo le costó al autor fueron las versiones de los paquetes. La clonación arrastra coqui-tts, f5-tts y transformers, y el gestor de paquetes choca con conflictos. Hubo que fijar torch 2.5.1: transformers 5 y diffusers 0.43 exigen una versión igual o superior a la 2.6, y eso rompe el resto. Además hicieron falta transformers por debajo de la versión 5, huggingface_hub por debajo de 1.0 y omegaconf 2.3.1 por hydra para F5.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
Lo esencial de la IA — una vez por semana
Siete historias que de verdad importaron, elegidas a mano. Sin ruido ni notas de prensa.
¡Listo! Revisa tu correo para la confirmación.