https://loudness.ai/es/research/Explora experimentos de voz y audio con métodos claros, resultados medidos y datos reproducibles.eshttps://loudness.ai/es/research/piper-tts-voices-ranked/https://loudness.ai/es/research/piper-tts-voices-ranked/Thu, 15 Oct 2026 00:00:00 GMTProbamos todas las voces de texto a voz de Piper que una empresa puede usar: 75 archivos de voz oficiales en 27 idiomas más tres modelos de la comunidad entrenados desde cero, 1.683 voces en total al contar cada hablante de los modelos multihablante. Cada voz leyó las mismas tres frases por idioma y recibió una puntuación de naturalidad de UTMOS22 y una de claridad de Whisper large-v3, combinadas en una puntuación global y clasificadas dentro de su idioma. Las mejores voces son inglesas; un modelo de la comunidad entrenado desde cero, Clean 100, igualó a la mejor voz oficial (96,4 frente a 96,2) y es entre cuatro y seis veces más rápido en una CPU. Elegir un hablante u otro dentro de un modelo cambió la puntuación hasta 46,3 puntos. Se excluyeron 102 de los 177 archivos oficiales porque su licencia, o la de la voz Lessac a partir de la que se ajustaron, prohíbe el uso comercial. Un explorador interactivo permite a los desarrolladores filtrar las voces por idioma, género, licencia y puntuación, escuchar muestras y descargar los modelos desde su fuente original.https://loudness.ai/es/research/piper-tts-text-normalization/https://loudness.ai/es/research/piper-tts-text-normalization/Thu, 15 Oct 2026 00:00:00 GMTPiper es un motor neuronal de síntesis de voz rápido que funciona en procesadores comunes, pero lee el texto exactamente como está escrito. Los precios, las fechas, los teléfonos, las abreviaturas y las unidades suelen leerse de forma literal: «5,50 €» se convierte en «cinco coma cincuenta euro» y «Sr. García» termina la frase después de «señor». Creamos una capa de preparación de texto para Piper que reescribe estas formas y recuerda, para cada palabra pronunciada, la palabra escrita de la que procede. También fija las pausas entre frases, líneas y párrafos, corrige la pronunciación británica de algunas voces de inglés estadounidense y obtiene tiempos exactos por palabra para subtítulos a partir de las duraciones de fonemas del propio Piper. En 84 frases de prueba en inglés y español escritas por nosotros, la tasa de error de fonemas bajó del 32,6% al 0,9%, y ninguna de las 19 frases de control cambió. En la mitad reservada de los casos de prueba públicos de NVIDIA NeMo, que no escribimos nosotros, la tasa de error de fonemas en inglés fue del 41,0% para el texto sin procesar, del 28,5% para un script típico de números a palabras y del 15,8% con nuestra capa; en español fue del 64,7%, el 56,2% y el 43,2%. El código, las frases de prueba y los resultados están disponibles con la licencia Apache 2.0.https://loudness.ai/es/research/parakeet-whisper-cpu-benchmark/https://loudness.ai/es/research/parakeet-whisper-cpu-benchmark/Wed, 14 Oct 2026 00:00:00 GMTEvaluamos tres configuraciones de Parakeet TDT 0.6B v3 y dos variantes cuantizadas de Whisper con el mismo audio de lectura en inglés y cuatro hilos de CPU. En una grabación de 310,425 segundos, Parakeet FP32 con segmentos cortos tardó 53,58 segundos, con una tasa de error por palabra del 2,81% (23 ediciones sobre 818 palabras de referencia) y 2,87 GiB de memoria máxima del proceso. Whisper Turbo INT8 tardó 343,26 segundos con un WER del 2,20%; Distil-Whisper INT8 tardó 279,10 segundos con un WER del 2,57%. Los segmentos predeterminados de Parakeet INT8 omitieron una cantidad considerable de voz; los segmentos cortos redujeron el WER del 39,12% al 4,65%. Estas observaciones por solicitud favorecen a Parakeet FP32 en esta CPU y muestra, aunque las variantes de Whisper evaluadas cometieron menos errores. Publicamos las 18 ejecuciones completadas, transcripciones, audios de prueba, referencias, sumas de verificación y ajustes de reproducción.