Intensivo Gratis 21–22.11Intensivo gratuito de 2 días en Vibecoding (21–22 nov, 16:00 MSK) · Cohorte 3 inicia 23.11Registrarse gratis →Cohorte 3 (23.11)
IndustriaCódigo / SDK · Listo para usarOllama Blog→ original

Ollama añade síntesis de voz en Mac: Phonon es un 35 % más rápido que el runtime nativo

Ollama, la herramienta para ejecutar modelos de IA en tu propio equipo, ya puede leer texto en voz alta. Su primer modelo de voz es Phonon, de Gradium. En un MacBook Pro con chip M5 Max, Ollama sintetiza el habla un 35 % más rápido que ptts, el programa de ejecución propio de Gradium, y la tasa de errores de reconocimiento de palabras en la voz generada es la misma que la de la implementación de referencia. Por tanto, la respuesta de un chatbot local puede locutarse sin usar la nube, aunque por ahora solo en Mac y en inglés.

Procesado por IA desde Ollama Blog; editado por Hamidun News
Ollama añade síntesis de voz en Mac: Phonon es un 35 % más rápido que el runtime nativo
Fuente: Ollama Blog. Collage: Hamidun News.
Escuchar artículo
Ficha técnica y cifras clave
ParámetroDatos
Fuente originalOllama Blog ↗
Editor jefe
Ejecución con un solo comandoollama run phonon "Hello from Ollama."
Dato clave #2El código con el SDK de OpenAI sirve tal cual: basta con cambiar la base URL a localhost
Dato clave #3Los modelos de 40M tienen licencia CC BY-NC 4.0, solo para uso no comercial

Imagine que ha lanzado un chatbot en su portátil y que responde con texto, pero le gustaría que hablara. Hasta ahora había que conectar un servicio de voz en la nube o montar una cadena de programas independientes. Ahora Ollama, una herramienta popular para ejecutar redes neuronales en local, ha añadido soporte para modelos de voz. El primero es Phonon, una familia de modelos pequeños de síntesis de voz (text-to-speech, es decir, «texto a voz») de la empresa Gradium.

La cifra principal de la versión es el 35 %. Así supera Ollama a su competidor más cercano: el programa de ejecución propio de Gradium, llamado ptts. La medición se hizo en un MacBook Pro con chip Apple M5 Max: el modelo generó 45 segundos de habla, y el resultado es la mediana de 10 ejecuciones. La velocidad se midió como el número de veces que la generación es más rápida que el propio audio: cuanto mayor es, antes está lista la locución.

Cómo probarlo

Los modelos de voz están disponibles por ahora solo en macOS; para Windows y Linux se ha prometido soporte más adelante. Se necesita Ollama en la versión 0.40.11 o posterior. Después basta un comando: ollama run phonon "Hello from Ollama." y el equipo pronuncia la frase. La voz se elige con el parámetro --voice (en el ejemplo, la voz Hadley del catálogo de Gradium), y el resultado puede guardarse en un archivo WAV con la redirección de salida habitual del shell.

También es práctico combinarlo con un modelo de chat. La respuesta puede pasarse directamente a Phonon: el texto se locuta a medida que llega, de modo que el habla empieza tras la primera frase y no al terminar de generar toda la respuesta. En el ejemplo del blog se combinan así el modelo gemma4 y Phonon: el primero cuenta un dato sobre los búhos y el segundo lo lee en voz alta.

Qué hay de honesto en las mediciones

En Apple Silicon, Ollama funciona con MLX, el framework de aprendizaje automático de Apple. La comparación con Gradium, sin embargo, no es del todo equitativa: el runtime de Gradium usa una mezcla de formatos (pesos de 8 bits en la CPU, fp16 en el Neural Engine y f32 en la GPU), mientras que Ollama ejecuta el modelo en bf16. Además, las cifras las han obtenido los propios autores de Ollama y todavía no hay una verificación independiente.

La calidad no se resintió con la aceleración. Ollama comparó la tasa de errores de reconocimiento de palabras (word error rate) con la implementación de referencia en Hugging Face Transformers. Para la prueba se usaron 200 frases en inglés del conjunto de pruebas Seed-TTS y la voz generada se pasó por el reconocimiento de Whisper large-v3. Cuantos menos errores, más comprensible es el habla. La cifra de Ollama coincide con la de referencia: la optimización no ha empeorado la pronunciación.

Integración y licencias

Para quien desarrolla, lo más relevante es que Phonon funciona a través de un endpoint compatible con OpenAI, /v1/audio/speech. Si un proyecto ya usa el SDK de OpenAI para la voz, basta con cambiar la base URL a http://localhost:11434/v1 e indicar cualquier clave, por ejemplo «ollama». Hay ejemplos para curl, Python y JavaScript. La respuesta llega en streaming y puede enviarse directamente a un reproductor como ffplay, de modo que la reproducción empieza casi al instante. El audio sale a 24 kHz, en mono: por defecto en WAV o en muestras crudas de 16 bits.

Hay un matiz con las licencias. Phonon se publica bajo Apache 2.0, pero los modelos de 40M tienen licencia CC BY-NC 4.0, es decir, solo para uso no comercial. Para una startup, esto significa que puede construir un prototipo, pero no lanzar un producto de pago con esos pesos sin un acuerdo aparte. Las condiciones del resto de tamaños de la familia conviene comprobarlas en las tarjetas de cada modelo.

Otras limitaciones: por ahora solo Mac, y todos los ejemplos y mediciones se muestran en inglés. En el material no se afirma soporte para ruso, así que no conviene contar con él.

Qué hacer

Si desarrolla un asistente de voz local, un lector de textos, una locución para herramientas internas o un prototipo de agente con voz en Mac, merece la pena probarlo ya: el punto de entrada es un solo comando y cambiar la URL en el código existente. Para proyectos comerciales, primero compruebe la licencia del modelo concreto y mida usted mismo la velocidad en su propio hardware.

Historia

Preguntas frecuentes sobre la noticia

Cómo probarlo?

Los modelos de voz están disponibles por ahora solo en macOS; para Windows y Linux se ha prometido soporte más adelante. Se necesita Ollama en la versión 0.40.11 o posterior. Después basta un comando: ollama run phonon "Hello from Ollama." y el equipo pronuncia la frase. La voz se elige con el parámetro --voice (en el ejemplo, la voz Hadley del catálogo de Gradium), y el resultado puede guardarse en un archivo WAV con la redirección de salida habitual del shell.

¿Qué se sabe sobre Qué hay de honesto en las mediciones?

En Apple Silicon, Ollama funciona con MLX, el framework de aprendizaje automático de Apple. La comparación con Gradium, sin embargo, no es del todo equitativa: el runtime de Gradium usa una mezcla de formatos (pesos de 8 bits en la CPU, fp16 en el Neural Engine y f32 en la GPU), mientras que Ollama ejecuta el modelo en bf16. Además, las cifras las han obtenido los propios autores de Ollama y todavía no hay una verificación independiente. La calidad no se resintió con la aceleración.

¿Qué se sabe sobre Integración y licencias?

Para quien desarrolla, lo más relevante es que Phonon funciona a través de un endpoint compatible con OpenAI, /v1/audio/speech. Si un proyecto ya usa el SDK de OpenAI para la voz, basta con cambiar la base URL a http://localhost:11434/v1 e indicar cualquier clave, por ejemplo «ollama». Hay ejemplos para curl, Python y JavaScript. La respuesta llega en streaming y puede enviarse directamente a un reproductor como ffplay, de modo que la reproducción empieza casi al instante.

ZK
Zhemal Khamidun — CPO de Alpina Digital, product manager de AlpinaGPT. Crea productos de IA desde 2019. Hamidun News es un proyecto personal que creció hasta ser un agregador en producción con más de 6.000 lectores.
✦ Unified AI Workspace · Nomad

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.

Try Nomad AI →Launch Nomad Agent
¿Qué te parece?
Cargando comentarios…