Qwen TTS acaba de cambiar las voces de código abierto

El video comienza demostrando cómo una misma frase puede sonar radicalmente distinta según la instrucción emocional proporcionada. El presentador introduce Qwen 2 TTS como un modelo de código abierto que escucha y se adapta al tono solicitado por el usuario. Se destaca que no requiere etiquetas especiales ni el envío de datos a servidores externos para funcionar. Esta sección establece la premisa de que la interactividad natural es la mayor ventaja del modelo frente a competidores. El narrador anticipa una comparativa directa con servicios líderes como Eleven Labs y ChatTTS.

El ponente analiza las carencias de emoción en modelos tradicionales de código abierto y compara a Qwen con ChatTTS. Explica que mientras otros usan controles deslizantes, Qwen permite escribir descripciones textuales para definir la personalidad de la voz. Se detallan dos variantes: un modelo ligero para clonación en tres segundos y el modelo 1.7B enfocado en rendimiento. Este último destaca por su bajísima latencia de 97ms, soporte para 10 idiomas y su licencia gratuita Apache 2.0. El objetivo de este apartado es mostrar la versatilidad del modelo para agentes de voz y herramientas de accesibilidad locales.

En este segmento se realiza una prueba práctica de la función de clonación utilizando un audio de referencia del propio narrador. Se explica el proceso de introducir el texto de referencia y el texto de destino para generar el nuevo audio. Tras escuchar el resultado, el presentador califica la calidad como "aceptable" pero nota ciertos artefactos que delatan su origen artificial. Menciona que, aunque es funcional para un modelo ligero, no alcanza el nivel de realismo de Vibe Voice de Microsoft. Esta evaluación honesta sitúa a Qwen como una herramienta equilibrada pero no necesariamente líder en clonación pura.

El enfoque se traslada al modelo 1.7B para poner a prueba la capacidad de interpretación emocional mediante lenguaje natural. El narrador solicita una voz de "narrador de suspense" y luego una de "desarrollador joven y sarcástico" para observar los cambios matizados. Los resultados muestran que el modelo es capaz de captar la mayoría de las instrucciones, como la risa de alivio o el tono entusiasta. Se enfatiza que el diseño de voz es mucho más intuitivo al no depender de preajustes numerados. Este apartado demuestra la libertad creativa que ofrece Qwen al diseñar interfaces de voz más humanas.

Para finalizar, se comparan los pros y contras de Qwen TTS frente a Eleven Labs y ChatTTS, resaltando la privacidad y la velocidad de iteración local. El presentador advierte que el modelo aún está madurando en ciertos idiomas y que requiere una GPU para un rendimiento óptimo, aunque funcione en CPU. La instalación se describe como sumamente sencilla, basándose en clonar el repositorio y ejecutar una interfaz web local. No hay facturas ni claves API, lo que representa el ideal del software de código abierto según el autor. El video concluye invitando a los usuarios a probar la herramienta mediante los enlaces proporcionados en la descripción.