Segun MarkTechPost (AI/ML News), una nueva herramienta de inteligencia artificial abierta, OmniVoice Studio, ofrece una solución descentralizada para tareas de generación de voz, evitando el envío de datos a servidores remotos. Esta aplicación, desarrollada como software de escritorio, permite ejecutar múltiples funciones clave de procesamiento de voz directamente en el equipo del usuario. Entre sus capacidades se incluyen clonación de voz, diseño de voces personalizadas, subtítulos en videos, dictado en tiempo real, aislamiento vocal y separación de hablantes. Cada una de estas funciones se ejecuta localmente, lo que garantiza que los datos no sean enviados a plataformas externas.
La clonación de voz opera a partir de un fragmento de audio de solo tres segundos. A través de un método conocido como aprendizaje sin entrenamiento, el sistema capta la voz de un hablante sin necesidad de haber sido previamente entrenado. Este proceso se logra al aplicar un modelo de generación de voz basado en difusión a un audio de referencia. El modelo subyacente, OmniVoice de k2-fsa, soporta más de 600 idiomas, lo que lo convierte en una herramienta útil para comunidades multilingües. Además, permite crear voces personalizadas mediante parámetros como género, edad, acento, tono, velocidad y emoción, sin necesidad de replicar voces existentes.
La función de subtítulos en videos acepta tanto URLs de YouTube como archivos locales. El proceso incluye transcripción mediante WhisperX, traducción automática del texto, síntesis de audio con el motor de voz integrado y exportación final en formato MP4. Todo este flujo se ejecuta dentro del dispositivo, sin conexión a internet. El widget de dictado actúa como una capa flotante en toda la interfaz de macOS, activable con la combinación de teclas ⌘+⇧+Space. Al mismo tiempo, transcribe en tiempo real y copia automáticamente el texto en la aplicación en foco. Para tareas masivas, el sistema permite cargar hasta 50 videos en una cola, mostrando barras de progreso para cada uno, mientras se ejecuta la secuencia completa.
El servidor de comunicación (MCP Server) permite conectar OmniVoice Studio a cualquier herramienta que soporte el protocolo MCP, incluyendo plataformas como Claude o Cursor. La arquitectura general utiliza una interfaz frontend en React y un backend en FastAPI, que expone 97 puntos de conexión API, facilitando su integración en entornos de desarrollo personalizados.
Para los usuarios peruanos, este tipo de herramienta es especialmente relevante. Muchas personas en el país enfrentan limitaciones en acceso a servicios de voz en la nube, especialmente en contextos donde la conectividad es inestable o costosa. Además, el uso de tecnologías locales reduce riesgos de privacidad, algo crucial en entornos donde la protección de datos personales es una prioridad. Al disponer de una solución que opera sin conexión a servidores externos, OmniVoice Studio permite a profesionales, educadores o emprendedores crear contenido audiovisual de forma autónoma, sin depender de plataformas comerciales que cobran por cada uso. Esto no solo optimiza costos, sino que también fomenta la independencia tecnológica en el entorno peruano.