VoiceStudio: síntesis de voz local sin nube y conexión con Claude Code mediante MCPNota · digest del 18 de noviembre
VoiceStudio: síntesis de voz local sin nube y conexión con Claude Code mediante MCP
Nota3 secciones≈ 4 min

VoiceStudio: síntesis de voz local sin nube y conexión con Claude Code mediante MCP

Cuando un asistente de voz lee el resumen de la mañana o los resultados de pruebas, por detrás suele correr un flujo en la nube. El texto viaja a servidores ajenos, el contador de caracteres cobra por suscripción y los nombres de clientes y proyectos quedan en logs de terceros. Basta desplegar en Mac el estudio abierto VoiceStudio para que todo ese trabajo se mude a tus núcleos gráficos de Apple Silicon. No sale ni un byte afuera, y 33 segundos de voz natural en un Mac con 16 GB de memoria se generan en unos 18 segundos.

Instalación en Mac y la trampa de la insignia roja

VoiceStudio es un proyecto gratuito de código abierto que superó las 111 mil estrellas en GitHub. En su página de lanzamientos están los instaladores para Windows y Linux, y en macOS se instala con tres comandos:

brew tap debpalash/tap
brew trust --cask debpalash/tap/voicestudio
brew install --cask debpalash/tap/voicestudio

Al abrirlo por primera vez, la aplicación prepara sola el entorno local de Python y revisa la memoria y los núcleos gráficos. Solo queda elegir un paquete de modelos, como Balanced, y en la pantalla de privacidad desactivar la telemetría, dejando activa la marca de agua invisible para etiquetar el audio de forma transparente.

La configuración inicial esconde una trampa legal que explican aparte en el análisis del canal Julian Goldie SEO. El modelo por defecto OmniVoice usa la licencia CC-BY-NC y solo sirve para pruebas personales. En los ajustes de cada motor aparece una insignia: la roja prohíbe el uso comercial y la verde lo autoriza.

Si quieres locutar reportes para clientes o cursos, cambia de inmediato a un motor con insignia verde.

Bajo licencia Apache 2.0 el estudio ofrece dos motores para crear voces desde cero. El pesado VoxCPM2 tarda minutos por cada frase en una laptop con 16 GB de memoria, así que en un Mac común resulta más práctico usar la dupla MLX-Audio y el compacto Qwen3-TTS VoiceDesign de 1.4 GB. En cuanto a clonar voces, solo tiene sentido hacerlo con tu propia voz o con consentimiento escrito del autor.

Cómo diseñar un timbre a partir de una descripción de texto

En la pestaña de diseño de voz ni siquiera hace falta micrófono. Describe al personaje en cinco rasgos: quién es, edad, estilo, acento y carácter del sonido. Para un asistente al estilo de Jarvis llamado J funciona bien un prompt así:

A calm, refined British male AI butler in his forties. Smooth, warm baritone, crisp and precise, quietly witty, unhurried, close-mic studio quality.

La primera síntesis tras abrir la app tarda más porque carga el modelo en memoria, pero después las frases salen en segundos. Prueba tres o cuatro semillas aleatorias y guarda la mejor toma en el perfil J. Si la voz suena seca o áspera, cambia un solo rasgo por vez en la descripción para ver al instante cómo responde el motor.

Puente MCP: enseñamos a hablar a Claude Code

Dentro de VoiceStudio corre un servidor HTTP local de Model Context Protocol en el puerto 3900 sin claves en la nube. Para enlazarlo con Claude Code, guarda en la raíz del proyecto el archivo .mcp.json:

{
  "mcpServers": {
    "voicestudio": {
      "url": "http://localhost:3900/mcp/",
      "headers": {
        "X-OmniVoice-Client-Id": "claude-code"
      },
      "settings": {
        "outputMode": "files",
        "outputDirectory": "/tmp/voicestudio-output"
      }
    }
  }
}

La cabecera X-OmniVoice-Client-Id asocia las peticiones al cliente, y en la documentación de VoiceStudio los autores advierten sobre el parámetro outputMode: "files". Sin él, el servidor devuelve el audio directo al diálogo como una cadena gigante en Base64. Es como pedirle a un mensajero que te traiga un disco y que se ponga a dictarte cada pista por teléfono: la ventana de contexto del modelo se llena con decenas de miles de tokens inútiles.

En modo archivo, el agente recibe solo una ruta corta al archivo WAV en /tmp/voicestudio-output. Veamos la combinación en acción: Claude Code ejecuta las pruebas de integración, revisa el estado de CI del repositorio y resume el resultado en cuatro frases sobre pruebas caídas y pull requests. A través de la herramienta voicestudio_synthesize, el agente envía el texto al perfil J y el Mac lee el veredicto en voz alta por los altavoces. Eso sí, mantener en paralelo un modelo pesado de programación y síntesis de calidad solo resulta cómodo en Mac desde 16 GB de memoria.

Quiero un análisis detalladoLos votos ayudan a elegir qué analizar a fondo. Este material tiene 0 votos.
Fuentes · 2