Voicebox: clonación de voz local, dictado y configuración MCP

Tu agente de programación termina una tarea. En lugar de otra notificación que leer, habla con una voz que tú elegiste. Dictas la siguiente petición sin cambiar de ventana. Lo interesante no es contratar otra suscripción: es llevar ambos lados de ese intercambio a un equipo que controlas.

Voicebox es un estudio de voz de código abierto, pensado para ejecutarse localmente, que combina clonación de voz, texto a voz, dictado y un servidor MCP. El proyecto es jamiepine/voicebox. Su repositorio oficial lo presenta como una alternativa a parte de las funciones de ElevenLabs y Wispr Flow en una sola aplicación. Da voz a un agente existente; no sustituye el modelo que razona y responde a tus peticiones.

El 14 de septiembre de 2026, la API del repositorio en GitHub indicaba 53.242 estrellas. Es una señal de interés, no una prueba comparativa de calidad. Esta guía se basa en documentación, no en una evaluación de audio realizada por nosotros.

¿Es Voicebox una alternativa a ElevenLabs o Wispr Flow?

Sí, para tareas concretas: generación de voz local, clonación y dictado de escritorio. Eso no significa que todas sus funciones sean equivalentes.

La documentación de texto a voz de ElevenLabs describe la generación de audio con voces de biblioteca, diseñadas y clonadas. La presentación de Wispr Flow se centra en convertir el habla en texto bien redactado dentro de distintas aplicaciones. Voicebox reúne tareas de entrada y salida de voz que se solapan con ambas propuestas, pero en una aplicación local.

Resulta atractivo para desarrolladores que quieren inspeccionar sus integraciones, creadores que regeneran narraciones con frecuencia y equipos que prueban flujos de trabajo privados en el escritorio. No demuestra que todos sus motores igualen la pronunciación, la respuesta o el soporte de un servicio comercial.

Conviene plantear una pregunta más concreta: ¿puede Voicebox sustituir las tareas de voz que realmente haces, en los dispositivos que ya tienes? Para un sistema telefónico empresarial gestionado, consulta nuestro análisis de la plataforma Fonio AI en lugar de tratar un estudio de escritorio como una plataforma de atención telefónica.

Independencia y marcas: Wavect publica esta página y es también un proveedor, así que tenemos un interés comercial en ella. No estamos afiliados a las demás empresas nombradas aquí, no contamos con su respaldo y no somos socios suyos, y todos los nombres de empresa, marcas y marcas registradas de terceros pertenecen a sus respectivos titulares. Las afirmaciones sobre otros proveedores proceden de fuentes públicamente accesibles, sobre todo de sus propias páginas publicadas, en la fecha de revisión indicada en esta página, y pueden haber cambiado desde entonces. Verifícalas directamente antes de decidir. Esta página se ha redactado según nuestro leal saber y entender, con la intención de mantenernos objetivos. Si crees que algo aquí es inexacto o injusto, escríbenos y lo corregimos: [email protected]

¿Cómo funciona la clonación de voz de Voicebox?

Creas un perfil a partir de una grabación de referencia y después generas nuevo audio con ese perfil. Aunque se hable de un clip breve, la guía de clonación de voz recomienda entre 10 y 30 segundos de habla clara, no un fragmento ruidoso con música o varias personas.

Empieza con una grabación propia. Mantén una posición estable ante el micrófono, habla con naturalidad y prueba una frase nueva que incluya nombres, números y signos de puntuación. Evalúa por separado la inteligibilidad y el parecido de la voz. Una voz reconocible puede seguir pronunciando mal el nombre de un producto.

No necesitas grabar nada para una primera prueba. La documentación de voces predefinidas describe más de 50 voces seleccionadas, mediante Kokoro y Qwen CustomVoice. Son útiles para comprobar la integración antes de dedicar tiempo a una voz clonada.

¿Qué significan siete motores TTS y 23 idiomas?

Voicebox reúne varios motores en un mismo estudio, pero sus capacidades no son intercambiables. La tabla de motores del proyecto distingue estas opciones:

Los 23 idiomas corresponden a Chatterbox Multilingual, no a todos los motores. Del mismo modo, las voces predefinidas no implican que todos los modelos permitan clonar. Comprueba conjuntamente el motor, el perfil y el idioma de destino.

El texto a voz multilingüe tampoco equivale automáticamente a un proceso de traducción. Prepara y revisa el guion en el idioma de destino antes de sintetizarlo. En una demostración de producto en alemán, por ejemplo, comprueba nombres de empresas, palabras compuestas y números. En un curso multilingüe, pide a una persona competente que revise cada idioma en lugar de aprobarlos todos a partir de la muestra inglesa.

¿Cómo funciona el dictado local en el día a día?

La guía de dictado documenta atajos de pulsar para hablar y de activación alterna, limpieza opcional con un modelo de lenguaje local e inserción automática en la aplicación activa en macOS y Windows. El dictado integrado en todo el sistema Linux no está disponible en la implementación documentada de v0.5.0.

La guía técnica de transcripción identifica Whisper como la capa de reconocimiento de voz. No es lo mismo que clonar: la transcripción convierte lo que dices en texto; la síntesis convierte texto en audio hablado.

Prueba primero con descripciones de incidencias, notas posteriores a reuniones y prompts. Mantén la revisión manual de comandos de terminal, importes de pagos y compromisos con clientes. La limpieza puede mejorar la lectura sin demostrar que se han conservado correctamente los identificadores, las negaciones o las cifras.

Una buena frase de prueba puede ser deliberadamente incómoda: «No despliegues; deja la factura 1047 sin cambios; cambia el nombre de la variable a customer ID». Revisa tanto la transcripción original como la versión corregida. La mejor configuración conserva tu intención, no simplemente la prosa más elegante.

Cómo conectar Voicebox a un agente MCP

Ejecuta Voicebox, prepara un perfil de voz, conecta un cliente MCP compatible y prueba una petición breve. La documentación del servidor MCP incluye Claude Code, Cursor, Windsurf y Cline entre las integraciones previstas, con Streamable HTTP y una alternativa stdio incluida.

1. Instala y prepara la aplicación de escritorio

Utiliza la versión oficial v0.5.0 y confirma que Voicebox está en ejecución. La guía de instalación explica las descargas iniciales de modelos. Genera primero una muestra breve en la aplicación antes de investigar un problema de conexión con el agente. Para los ejemplos siguientes, crea un perfil compatible llamado Wavect demo.

Copia la configuración específica del cliente desde Settings → MCP. Para clientes que usan el formato documentado mcpServers, la entrada HTTP es:

{
  "mcpServers": {
    "voicebox": {
      "url": "http://127.0.0.1:17493/mcp",
      "headers": {
        "X-Voicebox-Client-Id": "wavect-local-demo"
      }
    }
  }
}

Añade la entrada a la configuración existente; no sobrescribas otros servidores. Las ubicaciones de archivos y los comandos de instalación varían según el cliente. El identificador del cliente es una etiqueta para asignar voces, no una credencial de autenticación.

2. Confirma el perfil y solicita la voz

El README de la implementación MCP en el commit revisado documenta voicebox.list_profiles y voicebox.speak. Primero enumera los perfiles. Después pide al agente que invoque voicebox.speak con estos argumentos:

{
  "text": "Voicebox está conectado. Esta es una prueba de voz local.",
  "profile": "Wavect demo",
  "personality": false,
  "language": "es"
}

Este es un objeto de argumentos para una herramienta MCP, no un SDK de JavaScript que puedas instalar por separado. Confirma el sonido y el estado de generación. Una petición aceptada no demuestra por sí sola que el audio haya llegado a los altavoces correctos.

Mantén personality desactivado para avisos factuales. La función de personalidad puede reescribir el texto con un modelo local antes de generar el audio. Puede encajar en un diálogo ficticio; no hace falta cuando debes preservar exactamente el resultado de una compilación o una frase aprobada por un cliente.

3. Usa REST cuando la aplicación no admita MCP

Para un script que se ejecuta en el mismo ordenador que Voicebox, la petición equivalente es:

curl --fail-with-body --silent --show-error \
  -X POST http://127.0.0.1:17493/speak \
  -H 'Content-Type: application/json' \
  -H 'X-Voicebox-Client-Id: wavect-local-demo' \
  -d '{"text":"Voicebox está conectado. Esta es una prueba de voz local.","profile":"Wavect demo","personality":false,"language":"es"}'

Los ejemplos REST del repositorio documentan POST /speak. Trata la generación como asíncrona y consulta su estado; no supongas que la respuesta contiene un archivo de audio. 127.0.0.1 se refiere al propio equipo o contenedor que hace la petición, no a tu portátil desde un ejecutor remoto de integración continua.

¿Voicebox mantiene realmente todo en local?

Su procesamiento de voz local puede funcionar sin un proveedor TTS en la nube. El flujo completo solo es local cuando todos los componentes conectados también lo son.

Descarga primero los modelos necesarios y comprueba después el funcionamiento sin conexión. Un agente de programación basado en la nube puede seguir recibiendo el texto dictado y generando su respuesta remotamente. Conectar TTS local no traslada el razonamiento de ese agente a tu equipo. Concede acceso a las herramientas de transcripciones y capturas solo cuando sea necesario.

Distingue también entre procesamiento local y ausencia de almacenamiento. La documentación de Captures describe grabaciones almacenadas junto a sus transcripciones. Revisa el borrado, las copias de seguridad y el acceso en dispositivos compartidos antes de usar grabaciones sensibles.

La guía del modo remoto permite expresamente un backend separado y advierte que la API no incorpora autenticación. No la expongas directamente a internet. Un encabezado con el identificador del cliente no protege el servicio. Si necesitas compartirlo, utiliza una red restringida y una pasarela con autenticación.

El despliegue con Docker proporciona un backend sin interfaz de escritorio, con acceso web. No equivale automáticamente a disponer de atajos globales ni de reproducción por los altavoces locales. Planifica captura, generación y reproducción como pasos de integración distintos.

Para diseñar el conjunto de voz, razonamiento y permisos de herramientas, consulta nuestra arquitectura de un asistente de programación multimodal local. Este artículo explica cómo añadir Voicebox, no cómo reconstruir toda esa arquitectura.

Tres formas útiles de aprovechar Voicebox

Notificaciones habladas de agentes

Empieza con un evento acotado: termina una ejecución de pruebas, finaliza una exportación larga o hace falta una decisión. Lee un resumen breve y verificado, no todo el registro de consola. Evita pronunciar secretos o información de clientes en espacios compartidos. Asigna voces reconocibles a los agentes cuando ya sepas qué mensajes merecen interrumpirte.

Narraciones que puedes revisar sin volver a grabar

Un creador podría mantener un guion revisado y regenerar solo los fragmentos que cambian. El editor Stories ofrece una línea de tiempo con varias voces, mientras que la guía de generación de voz explica cómo crear y exportar audio.

Revisa pronunciación, ritmo y consistencia entre secciones. En narraciones traducidas, aprueba primero la traducción y después la voz. No interpretes «longitud ilimitada» como capacidad infinita por petición: la documentación de generación larga establece un máximo de 50.000 caracteres y procesamiento por fragmentos.

Interfaces de voz personales y de apoyo

Las recomendaciones de uso responsable incluyen accesibilidad y herramientas personales. Un perfil utilizado con autorización podría ayudar a alguien a comunicarse con una voz familiar. Es una aplicación posible, no una afirmación de que Voicebox sea una ayuda de comunicación clínicamente validada.

Usa tu propia voz o material que estés autorizado a utilizar. Conserva los permisos en proyectos compartidos e identifica la narración sintética cuando corresponda. Una voz convincente debería mejorar la accesibilidad, no volver ambigua la identidad de quien habla.

¿Es Voicebox gratuito para uso comercial?

La aplicación tiene licencia MIT, pero eso no concede automáticamente derechos sobre todos los modelos, grabaciones o voces personales. La licencia de Voicebox permite el uso comercial del software sujeto a sus requisitos de conservación de avisos. Revisa por separado las condiciones de cada modelo: por ejemplo, la ficha de Kokoro identifica pesos con licencia Apache.

La inferencia local evita un cargo TTS en la nube por esas generaciones. Sigues aportando computación, almacenamiento, electricidad y mantenimiento; un agente en la nube conectado puede tener costes propios. Que resulte más barato depende de tu carga de trabajo, no del número de estrellas.

Para una decisión detallada entre infraestructura propia y API, consulta nuestro análisis de costes de TTS autoalojado. Mantén pequeña la primera prueba con Voicebox: un dispositivo, un idioma, una voz y un evento útil.

¿Qué debería demostrar un primer piloto con Voicebox?

Define los criterios de aceptación antes de elegir una demostración favorita. Usa el mismo guion y condiciones de micrófono al comparar ajustes. Proponemos estas comprobaciones:

No hay un objetivo universal de latencia. Un tutorial narrado y un asistente al que puedes interrumpir tienen necesidades distintas. Mide por separado el arranque en frío y el uso repetido. Guarda la versión exacta de la aplicación, el motor y los ajustes para poder comparar.

Nuestra recomendación: prueba Voicebox como componente de voz local antes de tratarlo como una plataforma de voz en producción. Su atractivo está en conectar entrada, salida y herramientas de agentes sin obligarte a adoptar otro servicio de voz alojado. Lo importante es saber si esa combinación mejora tu flujo concreto.

Para integrarlo en un producto, el equipo de desarrollo de IA de Wavect puede ayudarte a definir el flujo de datos, conectar la aplicación y crear pruebas de aceptación. Nuestro caso de Twinsoft AI es un ejemplo independiente de desarrollo de productos con IA, no un despliegue de Voicebox. Utiliza la guía de selección tecnológica para un MVP para enfocar la decisión de desarrollo, o comenta con nosotros una integración de voz local.