Voz rusa lista para usar: por qué el TTS de código abierto ya no suena a robot de los 90

¿Recuerda cuando la síntesis de voz en ruso parecía una tortura? La voz de robot tartamudo de un navegador barato, que confundía los acentos y convertía cualquier frase en una sucesión de sonidos sin vida, fue durante mucho tiempo nuestra única compañera. Incluso cuando en Occidente triunfaban las primeras versiones de WaveNet, el segmento ruso seguía a la zaga por la complejidad de su morfología y las particularidades de la acentuación. Pero en el último año la situación se ha dado la vuelta. Hoy los modelos abiertos permiten montar un servidor local y obtener una calidad que ayer parecía un privilegio exclusivo de gigantes como Google o Yandex.

El principal problema del ruso en TTS siempre ha sido la acentuación. A diferencia del inglés, donde las reglas de lectura están más o menos formalizadas, el ruso exige entender a fondo el contexto para colocar los acentos. Durante mucho tiempo, Silero fue el estándar de oro del código abierto. Fue un avance real: un modelo ligero y rápido que funcionaba literalmente en una «plancha» (un equipo viejo y modesto) y daba un resultado bastante aceptable. Pero el tiempo pasa, y las arquitecturas sencillas han dejado paso a soluciones pesadas, aunque increíblemente flexibles, basadas en transformers y modelos de difusión. Hemos pasado de la era de la síntesis a la era de la generación.

Ahora mismo la industria está loca con los modelos zero-shot. Le das a la red neuronal una grabación de tres segundos de tu voz y empieza a hablar como tú, con tu timbre, tu forma de hablar e incluso una leve ronquera. A la vanguardia están proyectos como GPT-SoVITS y Fish Speech. Su atractivo es que tratan el sonido como una secuencia de tokens, igual que el texto en GPT. Eso resolvió el problema de la naturalidad de la entonación. El modelo ya no se limita a leer palabras: entiende la estructura de la oración y sabe dónde hacer una pausa dramática y dónde subir el tono.

¿Por qué importa precisamente ahora? Primero, el coste de las API en la nube como ElevenLabs se ha vuelto astronómico o directamente inaccesible para los desarrolladores rusos por las sanciones. Segundo, la privacidad de los datos. Las grandes corporaciones no tienen ganas de enviar documentos internos ni grabaciones de conversaciones a servidores extranjeros para locutarlos. Ejecutar modelos de código abierto en GPU propias resuelve ambos problemas a la vez. Además, herramientas modernas como Piper permiten ejecutar síntesis de calidad incluso en una Raspberry Pi, algo que hace un par de años parecía ciencia ficción.

Sin embargo, no conviene hacerse ilusiones: el queso gratis sigue necesitando una buena ratonera en forma de hardware potente. Si Silero volaba con un solo núcleo de un procesador viejo, los modelos modernos basados en la arquitectura VITS o en difusión requieren tarjetas gráficas serias para funcionar en tiempo real. Los desarrolladores deben elegir entre velocidad y calidad. Si hay que locutar un libro, se puede esperar. Si se construye un asistente de voz, la latencia (latency) es crítica, y aquí la comunidad de código abierto aún busca el equilibrio ideal.

Resulta interesante ver cómo cambia el enfoque del entrenamiento. Antes necesitábamos conjuntos de datos de estudio limpios. Ahora los modelos son tan listos que pueden aprender de datos «sucios» de YouTube o de pódcasts, filtrando el ruido por sí mismos. Esto ha provocado un crecimiento explosivo del número de voces disponibles. Vemos cómo la comunidad de Habr y GitHub se une para reunir enormes conjuntos de datos en ruso, haciendo la tecnología accesible para todos. Ya no es un simple juguete para frikis, sino una herramienta real para empresas, medios y desarrollo de videojuegos.

Lo esencial: la era del dominio de las API de pago en la síntesis de voz se acerca a su fin. Para la mayoría de las tareas de TTS en ruso, hoy basta una tarjeta gráfica moderna y un repositorio de GitHub bien configurado. ¿Podrán las corporaciones ofrecer algo tan único como para que volvamos a querer pagar por cada palabra?