Texto a voz local, funcionando en tu iPhone

TTS son las siglas en inglés de texto a voz: software que convierte palabras escritas en una voz hablada. El TTS local significa que el modelo que hace esa conversión se ejecuta en tu propio dispositivo. El TTS en la nube significa que se ejecuta en el ordenador de otro: tu texto viaja por la red, un servidor genera el audio y te lo devuelve.

Los dos producen una voz, así que desde fuera pueden parecer iguales. La diferencia está en dónde se hace el trabajo, y de ahí se siguen tres cosas. Con el TTS en la nube, el texto tiene que viajar, hace falta conexión en el momento de hablar y cada frase le cuesta tiempo de servidor al proveedor; por eso los lectores en la nube cuentan caracteres, minutos u horas. Con el TTS local, el texto se queda donde está, la conexión da igual y no hay ninguna factura recurrente que recuperar.

Hace unos años, local quería decir las voces planas y robóticas del sistema. Eso cambió cuando los modelos neuronales de voz se hicieron lo bastante pequeños para caber en un teléfono y lo bastante rápidos para funcionar ahí en tiempo real. Hoy el texto a voz local cambia variedad por independencia, no calidad por privacidad.

El teléfono es donde se lee en los sitios más imprevisibles, y ahí es justo donde más duele depender de un servidor.

• Privacidad por arquitectura. Tus libros, PDF y páginas escaneadas no se suben, porque nada los necesita en ningún otro sitio. Todo se queda en tu dispositivo, y no hay cuenta ni seguimiento. La versión larga está en la página de texto a voz privado.
• Modo avión, túneles, mala cobertura. La voz generada en el dispositivo no nota que la red ha desaparecido. Un capítulo abierto en un vuelo suena igual que uno abierto en casa. Más sobre esto en texto a voz sin conexión.
• Sin contador por carácter. Cuando producir la voz no cuesta nada, no hay motivo para racionarla: ni cuota diaria, ni horas mensuales, ni un nivel de voces premium.
• Sin cola. No hay subida, ni trabajo de procesamiento, ni espera a que vuelva un archivo. Pulsas reproducir y la primera frase empieza en cuanto se genera.

El motor es Kokoro-82M, un modelo neuronal de texto a voz de pesos abiertos con 82 millones de parámetros. La descarga ocupa unos 276 MB, con el modelo y las 41 voces incluidos, así que no se descarga nada al abrirla por primera vez y no hay clave de API ni paso de activación.

Sandbook ejecuta el modelo en la GPU del dispositivo con Apple MLX, el framework de Apple para aprendizaje automático en sus propios chips. El texto se divide en frases y cada una se genera mientras escuchas, a 24 kHz, así que la reproducción empieza tras la primera frase y no tras el capítulo entero. La velocidad va de 0,5× a 2,5×, y cada palabra se resalta mientras se lee.

El mismo modelo Kokoro también funciona en local en el navegador de un ordenador: prueba Kokoro TTS en una pestaña del navegador, donde la voz se genera en tu ordenador y no se sube nada.

Hay 41 voces en seis idiomas: 28 en inglés (20 americanas y 8 británicas), 3 en español, 1 en francés, 2 en italiano, 3 en portugués de Brasil y 4 en hindi. Leen archivos EPUB, PDF, TXT, RTF, Markdown y HTML, páginas web, escaneos y fotos de la cámara (reconocidos en el dispositivo) y texto escrito o pegado. El texto de la pestaña Lector se puede exportar como archivo M4A.

Ejecutar el modelo en el teléfono es una decisión con factura, y se paga con esto:

• Una descarga grande. La descarga ocupa unos 276 MB, con el modelo y las 41 voces incluidos. Las apps en la nube son pequeñas porque sus voces viven en otro sitio.
• Un dispositivo más reciente. Sandbook necesita iOS 18.2 en un iPhone 12 o posterior, o un iPad con chip A14 o M1 o posterior. Si tu iPhone es más antiguo, consulta texto a voz en iPhone antiguos.
• La lectura en tiempo real se pausa al bloquear la pantalla. El modelo usa la GPU, e iOS suspende ese trabajo cuando la app deja de estar en primer plano. Para escuchar con la pantalla apagada, prepara antes el capítulo; después bloquea el teléfono y reprodúcelo.
• Menos idiomas que los servicios en la nube. Seis idiomas de voz, no decenas. Un servidor puede guardar un catálogo para el que ningún teléfono tiene espacio.

Cualquier app puede decir que funciona en el dispositivo. La prueba lleva un minuto y no exige fiarse de nadie:

1. Abre en la app un libro, un PDF o un texto pegado.
2. Activa el modo avión, con el wifi también apagado.
3. Pulsa reproducir y escucha un capítulo entero; luego prueba una voz que aún no hayas usado.

La voz generada en un servidor no supera esa prueba. La voz generada en el teléfono ni la nota. En Sandbook, lo único que espera a tener conexión es añadir una página web nueva, porque hay que descargarla del sitio donde está publicada. Escanear una página impresa con la cámara también funciona en modo avión, porque el reconocimiento de texto se hace igualmente en el dispositivo.