La IA OmniVoice leyó 5 minutos de texto en ruso en 44 segundos, pero falla con los acentos
El modelo gratuito OmniVoice lee textos en voz alta y puede sustituir a un locutor en un bot de voz o en un vídeo formativo. El ingeniero de Raft sintetizó un fragmento del relato «El caballero de San Francisco»: 5 minutos de audio se generaron en 44 segundos, siete veces más rápido que la duración de la propia grabación. Sin embargo, en algunos tramos los finales de frase se cortan, se tragan palabras y los acentos se desplazan. Para borradores basta, pero para un vídeo final hace falta revisión humana.
Procesado por IA desde Raft; editado por Hamidun News
Imagine que necesita locutar cien frases para un bot de voz o un curso formativo, y una semana después los textos cambian. Con un locutor profesional, eso vuelve a significar estudio, grabación y montaje: caro y lento. Los modelos de síntesis de voz (TTS, por sus siglas en inglés de text-to-speech, es decir, programas que leen el texto en voz alta) sonaban durante mucho tiempo como robots, pero ahora suenan notablemente más naturales.
El ingeniero de DS de Raft, Danil Muzafarov, probó en ruso el reciente modelo gratuito OmniVoice. El resultado principal: cinco minutos de audio a partir de un fragmento del relato «El caballero de San Francisco» se generaron en 44 segundos, es decir, unas siete veces más rápido que la duración de la grabación. Pero la locución conserva artefactos: fallos sonoros como cortes al final de la frase, palabras tragadas y acentos incorrectos.
Qué sabe hacer OmniVoice
Los autores declaran soporte para más de 600 idiomas y tres modos de funcionamiento. El primero es la clonación de voz: el modelo recibe una grabación corta de una voz y su transcripción, y después lee cualquier texto con esa voz. El segundo es la creación de una voz a partir de una descripción. Aquí hay una salvedad: una frase libre como «voz grave de un locutor profesional» no funciona. El campo instruct acepta un conjunto limitado de parámetros, por ejemplo «male, low pitch, russian accent», así que la descripción hay que componerla con etiquetas predefinidas. El tercer modo es la selección automática de voz: usted solo pasa el texto y el modelo decide el resto.
Por separado se probaron las marcas no verbales. En el texto se pueden insertar las etiquetas [laughter], [sigh], [surprise-oh], [question-ah] y [dissatisfaction-hnn], y la voz adquiere risa, suspiro, sorpresa o disgusto. El autor hizo leer un diálogo de negocios sobre la conversión del embudo y el informe trimestral, y luego comprobó si el modelo vuelve a un tono neutro tras las inserciones emocionales. Para asistentes de voz y formación esto resulta útil, porque la monotonía se nota sobre todo en las grabaciones largas.
Locuciones largas: rápido, pero con errores
Los textos largos son el punto débil clásico de la síntesis de voz: hacia la mitad de la grabación pueden aparecer artefactos y el timbre puede desplazarse. Para la prueba se tomó un fragmento del relato «El caballero de San Francisco». El texto se dividió en bloques de 15 segundos (parámetros audio_chunk_duration y audio_chunk_threshold). El resultado: unos cinco minutos de audio en 44 segundos de generación. Para la locución en lote, la velocidad difícilmente será el cuello de botella. Sin embargo, el material no indica en qué hardware se ejecutó el cálculo, así que cifra en su tarjeta gráfica podría ser distinta.
El autor valoró la calidad como buena, pero con defectos notables: se cortan los finales de las oraciones, se tragan palabras y aparecen acentos incorrectos. Supone que ajustar los hiperparámetros (configuración de la generación) podría mejorarlo. Por ahora es una hipótesis, no un resultado comprobado.
Cómo el autor comprobó los escenarios de negocio
Los ejemplos bonitos del repositorio dicen poco sobre tareas reales: en los textos de verdad abundan fechas, importes, nombres completos, abreviaturas, términos en inglés y nombres de productos. Por eso Danil creó un benchmark propio, con 10 frases por tipo. Se evaluaron nombres completos, fechas y horas, números, porcentajes e importes monetarios, abreviaturas, homógrafos (palabras con distinto acento, como «zamok») y palabras en inglés dentro de un texto en ruso. La puntuación iba de 0 a 5: cero significa una locución ininteligible o ausente, y cinco, una pronunciación limpia sin errores de acento ni de entonación.
En la parte disponible del material no hay puntuaciones finales por sección, así que es pronto para juzgar esas cifras. Además, la evaluó una sola persona, de oído, y la muestra es pequeña. Es una referencia útil, pero no una comparación rigurosa entre modelos.
Qué hacer en la práctica
Si está pensando en sustituir al locutor, conviene separar las tareas. Para prototipos de bots de voz, material formativo interno y borradores rápidos de locución, OmniVoice parece una opción viable: la velocidad es alta, la clonación de voz y las etiquetas emocionales vienen de serie, y la licencia abierta da control sobre la infraestructura. Para publicidad final y guiones de IVR para clientes (menús de voz automáticos en la línea telefónica), todavía hace falta revisión: los acentos y los cortes de frase los notará el cliente de inmediato.
El consejo principal de esta prueba: no se fíe de las demos. Reúna un conjunto propio de 50 a 100 frases reales de su empresa, con nombres de clientes, importes, fechas, abreviaturas y nombres de productos. Pásela por el modelo, escúchela y puntúela con una escala sencilla de 0 a 5. Así en una tarde sabrá si la calidad es suficiente y cuánta corrección manual debe prever en el proceso.
- 12 oct 2026Dictado sin muletillas: Whisper local y Claude para limpiar el texto
- 17 may 2026Usar ChatGPT en ruso cuesta el doble: la culpa es de la tokenización
- 15 jun 2026Vibe coding: Gemini creó una aplicación en 4 minutos sin código
- 2 may 2026deepvk frente a OpenAI: un benchmark con sentencias judiciales
Preguntas frecuentes sobre la noticia
¿Qué se sabe sobre Qué sabe hacer OmniVoice?
Los autores declaran soporte para más de 600 idiomas y tres modos de funcionamiento. El primero es la clonación de voz: el modelo recibe una grabación corta de una voz y su transcripción, y después lee cualquier texto con esa voz. El segundo es la creación de una voz a partir de una descripción. Aquí hay una salvedad: una frase libre como «voz grave de un locutor profesional» no funciona.
¿Qué se sabe sobre Locuciones largas: rápido, pero con errores?
Los textos largos son el punto débil clásico de la síntesis de voz: hacia la mitad de la grabación pueden aparecer artefactos y el timbre puede desplazarse. Para la prueba se tomó un fragmento del relato «El caballero de San Francisco». El texto se dividió en bloques de 15 segundos (parámetros audio_chunk_duration y audio_chunk_threshold). El resultado: unos cinco minutos de audio en 44 segundos de generación. Para la locución en lote, la velocidad difícilmente será el cuello de botella.
Cómo el autor comprobó los escenarios de negocio?
Los ejemplos bonitos del repositorio dicen poco sobre tareas reales: en los textos de verdad abundan fechas, importes, nombres completos, abreviaturas, términos en inglés y nombres de productos. Por eso Danil creó un benchmark propio, con 10 frases por tipo. Se evaluaron nombres completos, fechas y horas, números, porcentajes e importes monetarios, abreviaturas, homógrafos (palabras con distinto acento, como «zamok») y palabras en inglés dentro de un texto en ruso.
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.