Evaluación reproducible · español

Comparación de modelos TTS

Todos recibieron el mismo texto, obtenido de un único audio largo del dataset. Escuchá primero el original y luego compará naturalidad, pronunciación, identidad de voz y velocidad.

Referencia original · 38,4 segundos

Audio real del dataset usado como referencia de contenido y, en los casos indicados, como referencia de voz.

Resultados principales

1 · Qwen3-TTS fine-tuned

1,33× tiempo real

24,06 s → 31,92 s de audio

Checkpoint Sweet Spot, fine-tuning completo y voz aprendida sin referencia.

2 · OmniVoice fine-tuned

7,49× tiempo real

4,97 s → 37,28 s de audio

Checkpoint fine-tuned de la voz objetivo, sin audio de referencia.

3 · Drifting-TTS español

18,26× tiempo real

2,05 s → 37,42 s de audio

Modelo español multi-speaker con BigVGAN fine-tuned y el speaker objetivo.

Variantes con audio de referencia

Qwen3-TTS base + referencia

1,37× tiempo real

26,84 s → 36,88 s de audio

Voice cloning del modelo base usando el audio original. El checkpoint fine-tuned Custom Voice no admite este modo.

OmniVoice fine-tuned + referencia

5,69× tiempo real

6,45 s → 36,73 s de audio

El mismo checkpoint objetivo, agregando el audio original como referencia de voz.

3 ejemplos completos · todas las comparaciones

Cada ejemplo usa un audio original distinto de la misma voz objetivo y su propia transcripción.

Ejemplo 1 · orca en el Biobío

Original

Qwen fine-tuned

Qwen con referencia

OmniVoice fine-tuned

OmniVoice + referencia

Drifting-TTS

Ejemplo 2 · Deportes La Serena

Original

Qwen fine-tuned

Qwen con referencia

OmniVoice fine-tuned

OmniVoice + referencia

Drifting-TTS

Ejemplo 3 · inundaciones en Coquimbo

Original

Qwen fine-tuned

Qwen con referencia

OmniVoice fine-tuned

OmniVoice + referencia

Drifting-TTS

Comparación de velocidad

Modelo	Generación	Audio producido	Velocidad
Qwen3-TTS fine-tuned	24,06 s	31,92 s	1,33×
OmniVoice fine-tuned	4,97 s	37,28 s	7,49×
Drifting-TTS	2,05 s	37,42 s	18,26×
Qwen3-TTS base + referencia	26,84 s	36,88 s	1,37×
OmniVoice fine-tuned + referencia	6,45 s	36,73 s	5,69×

Cómo leerlo: 1× significa tiempo real; un valor mayor es más rápido. La velocidad no determina la naturalidad. Para comparar calidad, escuchá cada audio con el original y prestá atención a pausas, pronunciación, artefactos y similitud de voz.