Voces abiertas de Piper TTS clasificadas: naturalidad, claridad y licencias

Qué probamos

El catálogo oficial de voces de Piper (revisión c10ece1, la probada en octubre de 2026) contiene 177 archivos de voz en 53 idiomas. Antes de probar nada, leímos la ficha de cada voz y la licencia de sus datos de entrenamiento. Apartamos 102 archivos: 76 porque sus modelos se ajustaron a partir de la voz Lessac, cuyas grabaciones solo pueden usarse sin fines comerciales, y 26 porque su propia licencia es no comercial o solo para investigación. Quedaron 75 archivos oficiales en 27 idiomas que una empresa puede usar.

Añadimos tres modelos de la comunidad entrenados desde cero por Bryce Beattie, autor también de varias voces oficiales: Clean 100 (245 hablantes), ManyVoice (16 hablantes) y Jenny (inglés de Irlanda). Su archivo Norman es idéntico al oficial, así que figura una sola vez. Después probamos todos los hablantes de cada modelo multihablante: 1.683 voces de 78 archivos de modelo en 32 variantes de idioma.

Cómo se puntúa cada voz

Todas las voces de un idioma leen las mismas tres frases: una breve presentación, una frase sobre una reunión el lunes y una pregunta sobre la estación de tren más cercana. No contienen cifras ni abreviaturas, así que la preparación del texto no influye en el resultado.

Naturalidad (0–100) es la naturalidad que predice UTMOS22, un modelo entrenado con valoraciones humanas de voz sintética, promediada en las tres frases y reescalada desde su escala de 1 a 5. Claridad (0–100) es 100 menos la tasa de error de caracteres de una transcripción de Whisper large-v3 frente al texto que recibió la voz. Global es la mitad de cada una, más 4 puntos para las voces grabadas a 22 kHz, cuyo ancho de banda adicional no se aprecia en los clips de prueba a 16 kHz.

Las clasificaciones comparan voces dentro de un mismo idioma. El modelo de naturalidad aprendió sobre todo del inglés y el reconocedor es más débil en algunos idiomas, así que un 80 en telugu y un 80 en inglés no significan lo mismo. Las puntuaciones se reproducen con unos pocos puntos de diferencia: 60 voces medidas en las dos rondas, en máquinas distintas, coincidieron con una correlación de 0,948 y una diferencia media de 3,4 puntos. Naturalidad y claridad coinciden en general (correlación 0,80), pero no voz a voz; por eso damos las dos.

Explora y descarga todas las voces

Filtra por idioma, género, licencia, calidad y puntuación, escucha cada voz y descarga su modelo. El género solo aparece cuando el conjunto de datos de entrenamiento lo registra; nunca se deduce del sonido. Las descargas proceden directamente de la fuente original, en la versión exacta que probamos: el repositorio oficial de Piper en Hugging Face o el alojamiento de Bryce Beattie para los modelos de la comunidad.

La mejor voz de cada idioma

El inglés va muy por delante: las 793 voces con 90 puntos o más son todas inglesas. La mayoría de los demás idiomas tienen entre una y tres voces útiles, y varios (nepalí, telugu, vietnamita y armenio) puntúan bajo en parte porque al propio reconocedor le cuesta; conviene que los juzgue un hablante nativo.

Lo más destacado

Una voz de la comunidad iguala a la mejor oficial y es entre cuatro y seis veces más rápida. Los mejores hablantes de Clean 100 obtienen 96,4, frente a 96,2 del mejor hablante del modelo oficial LibriTTS de alta calidad. Clean 100 también es más regular: su hablante mediano obtiene 93,2 frente a 90,8, y sus 245 hablantes abarcan 9,3 puntos frente a 17,6 de los 904 de LibriTTS. Al ser un modelo de calidad media, sintetizó la voz en 0,091 del tiempo real con dos hilos de CPU de nuestro portátil de pruebas, frente a 0,568 de LibriTTS alta, y en nuestro servidor 0,193 frente a 0,834.

El hablante que eliges importa más que el modelo. Dentro de un mismo modelo, los hablantes difieren hasta 46,3 puntos (MLS francés: de 24,4 a 70,7) y 31,0 puntos en MLS alemán. El hablante 0, el predeterminado en la mayoría de las herramientas, rara vez es el mejor.

Las voces de mujer y de hombre puntúan igual. Entre los lectores de LibriTTS, las mujeres promedian 90,8 y los hombres 90,1.

La mayor parte del catálogo no es segura para uso comercial. Se excluyeron 102 de los 177 archivos oficiales (58 %), sobre todo porque heredan la licencia no comercial de la voz Lessac al ajustarse a partir de ella. Sus propias fichas suelen indicar una licencia de datos permisiva, lo que se presta a confusión.

Velocidad en una CPU corriente

La velocidad depende del nivel de calidad del modelo, no del hablante. Cronometramos cada modelo que tenemos en local con dos hilos de CPU, como lo usaría un servidor pequeño. El factor de tiempo real son los segundos de cálculo por segundo de voz: 0,1 significa diez veces más rápido que el tiempo real. En un servidor virtual AMD EPYC de 12 núcleos, la misma configuración midió 0,17–0,19 para las voces de calidad media y 0,83 para LibriTTS alta, entre 1,5 y 2 veces más lento que el portátil.

Licencias: qué puedes hacer

Todas las voces de este estudio permiten el uso comercial, con las condiciones que indica su etiqueta. Sin condiciones (51 voces): dominio público o CC0. Requiere atribución (1.613): CC BY, CC BY-SA o Apache 2.0; muestra una breve línea de atribución donde la vean tus usuarios. CC BY-SA pide además que las adaptaciones de la voz conserven la misma licencia. Copyleft (2): licencias de modelo GPL o AGPL, con obligaciones de compartir propias del software. Poco clara (17): la ficha remite a una página web o no dice nada; comprueba la fuente antes de usarlas comercialmente. La licencia de Jenny exige además que la voz se llame «Jenny» en el software que genera audio.

Esto es un resumen, no asesoramiento jurídico. El explorador muestra la licencia de cada modelo, sus datos de entrenamiento y una línea de atribución que puedes copiar.

Por qué se excluyen 102 voces oficiales

El ajuste fino parte de un modelo existente para crear una voz nueva, así que la nueva voz hereda lo que aprendió ese modelo. 76 archivos oficiales se ajustaron a partir de la voz Lessac, directamente o a través de otra voz, y las grabaciones de Lessac solo pueden usarse sin fines comerciales. Los excluimos por precaución aunque su propio conjunto de datos sea permisivo; la situación jurídica de estos modelos no está resuelta. Los otros 26 archivos tienen una licencia no comercial o solo para investigación.

Limitaciones

Todas las puntuaciones son automáticas; ningún panel humano ha valorado aún estas voces. El modelo de naturalidad se entrenó sobre todo con inglés, y las tres frases de prueba de cada idioma se escribieron para esta prueba, no por hablantes nativos. Cada frase se sintetizó una sola vez, y la salida de Piper varía un poco de una toma a otra. La primera ronda se ejecutó en un servidor y la segunda en un portátil; coinciden mucho, pero no exactamente. El género solo procede de los registros de los conjuntos de datos, así que muchas voces de un solo hablante figuran como «sin registrar». Los resúmenes de licencia reflejan la ficha de cada voz en la revisión probada.

Datos y reproducción

El paquete del estudio contiene las puntuaciones de cada voz (CSV y JSON), la licencia, la fuente, el tamaño y la suma de verificación de cada modelo, las frases de prueba, las muestras de audio y los scripts de síntesis, puntuación, análisis y velocidad. Usa Piper 1.8, faster-whisper 1.2.1 con Whisper large-v3 y la versión SpeechMOS de UTMOS22 para repetir las mediciones.

Los mismos datos están en Hugging Face como conjunto de datos con un reproductor de audio para cada voz, Loudness-ai/piper-voices-ranked, y el explorador de voces también funciona como Space de Hugging Face.

Para usar la clasificación en tu propio software, loudness-tts, nuestro SDK de texto a voz gratuito y de código abierto para Python y JavaScript, elige la mejor voz de cada idioma según este estudio y muestra su licencia y su línea de crédito. Pruébalo con Free Text to Speech in Your Browser o sigue la guía de instalación.

Conflictos de intereses y financiación

El autor desarrolla Loudness.ai, cuya herramienta de texto a voz ofrece una selección de estas voces elegida con las mismas puntuaciones. No se recibió financiación externa.

Referencias

Hansen, M. y la Open Home Foundation. Piper; voces de Piper, revisión c10ece1. Beattie, B. Voces de Piper de la comunidad.

Saeki, T. et al. (2022). UTMOS: UTokyo-SaruLab system for VoiceMOS Challenge 2022. Interspeech 2022. Radford, A. et al. (2023). Robust speech recognition via large-scale weak supervision. ICML 2023. Koizumi, Y. et al. (2023). LibriTTS-R. Interspeech 2023. Pratap, V. et al. (2020). MLS: a large-scale multilingual dataset for speech research. Interspeech 2020.

Informe y archivos del estudio

Citar este informe

Shehzad, Asad (2026). Open Piper TTS Voices Ranked: Naturalness, Clarity and Licences. Loudness.ai, LA-RB-2026-003, versión 1.0. https://loudness.ai/research/piper-tts-voices-ranked/

BibTeX · RIS · Feed RSS de investigación