Música, voz y sonido con IA, desde las fuentes

Explicación

MLX-Audio en Apple Silicon: dos de sus modelos de síntesis de voz

La biblioteca MLX-Audio de Neywa Labs apunta a Apple Silicon. Leemos la documentación de ZONOS3-Mini y Audio8-TTS-Realistic-0.6b.

Portada: MLX-Audio, 23, idiomas que cubre Audio8-TTS-Realistic-0.6b

Neywa Labs, la empresa de IA local detrás de Nativ, desarrolla MLX-Audio, una biblioteca para ejecutar modelos de audio en Apple Silicon (GitHub).

Qué cubre la biblioteca

La página del proyecto describe MLX-Audio como una forma de ejecutar modelos de audio en Apple Silicon.

Su alcance declarado abarca cuatro tipos de tareas: síntesis de voz, reconocimiento de voz, conversión de voz a voz y generación de música. La página del proyecto señala MLX como el framework sobre el que está construida.

El responsable es Neywa Labs, que se define como una empresa de IA local y cita Nativ como otro de sus proyectos. Para un profesional, la lectura útil es que una sola biblioteca agrupa varios tipos de tareas de audio bajo un único entorno de ejecución centrado en Apple, en lugar de una herramienta por tarea. Este artículo examina dos de los modelos de síntesis de voz cuyas páginas de documentación hemos leído, no la lista completa.

ZONOS3-Mini

El README presenta ZONOS3-Mini como el modelo multilingüe de síntesis de voz de Zyphra (GitHub). Según el README, ZONOS3-Mini tiene 100 millones de parámetros activos. Genera audio monoaural a 44,1 kHz con 27 voces integradas.

Como la cifra de ZONOS3-Mini es un recuento de parámetros activos, describe los parámetros en uso y debe leerse así al comparar tamaños con otros modelos. Las 27 voces integradas de ZONOS3-Mini ofrecen al usuario un conjunto de voces listas para elegir.

Audio8-TTS-Realistic-0.6b

Una página de documentación aparte trata Audio8-TTS-Realistic-0.6b (GitHub). Genera voz monoaural a 44,1 kHz en 23 idiomas en Apple Silicon, con clonación de voz zero-shot opcional. En Audio8-TTS-Realistic-0.6b, los tokens de texto, los fotogramas de audio de referencia y los fotogramas generados comparten un presupuesto de contexto de 2048 posiciones. La documentación de Audio8 también indica que la generación produce una forma de onda completa por llamada.

El presupuesto compartido tiene una consecuencia práctica para la clonación de voz con Audio8-TTS-Realistic-0.6b. Como los fotogramas de audio de referencia cuentan contra las mismas 2048 posiciones que el texto y la salida, un clip de referencia más largo deja menos espacio para la voz que se genera. Quien planifique pasajes largos tendría, por tanto, que dividir el texto en fragmentos y mantener corto el clip de referencia. Como cada llamada devuelve una forma de onda completa, los fragmentos llegarían como archivos separados que habría que unir después.

Cómo se comparan los dos modelos

Tanto ZONOS3-Mini como Audio8-TTS-Realistic-0.6b producen audio monoaural a 44,1 kHz, por lo que su formato de salida coincide. Las diferencias están en otra parte.

ZONOS3-Mini se describe por sus 100 millones de parámetros activos y sus 27 voces integradas. Audio8-TTS-Realistic-0.6b se describe por sus 23 idiomas, su clonación zero-shot opcional y un presupuesto de contexto de 2048 posiciones. El primero se plantea en torno a un conjunto de voces listas; el segundo, en torno a la cobertura de idiomas y a un límite estricto de cuánto texto y audio de referencia caben en una llamada.

Esta es nuestra lectura de las páginas de documentación. Las páginas ofrecen especificaciones, por lo que permiten comparar características, pero no la calidad del audio.

Qué conclusiones sacar

Para quien elige un modelo local de síntesis de voz en un Mac, el valor de la biblioteca es que ambos modelos están bajo el mismo proyecto. Quien necesite un conjunto de voces listas empezaría por la página de ZONOS3-Mini y sus 27 voces integradas. Quien necesite muchos idiomas empezaría por la página de Audio8-TTS-Realistic-0.6b y sus 23 idiomas. En ambos casos la salida es monoaural a 44,1 kHz, de modo que el tratamiento posterior del audio puede seguir igual con cualquiera de los dos modelos.

Quien planifique una narración larga debería leer el presupuesto de contexto de Audio8 antes de elegir un flujo de trabajo, porque condiciona cómo se preparan el texto y los clips de referencia. Neywa Labs presenta la biblioteca como una opción local, y las páginas de los modelos son donde aparecen los límites concretos.

Fuentes

Las fuentes a partir de las que se escribió este artículo. Los enlaces abren la página original.

  1. GitHubNeywa-Labs/mlx-audio: A text-to-speech (TTS), speech-to-text (STT) and speech-to-speech (STS) library built on Apple's MLX framework, providing efficient speech analysis on Apple Silicon.github.comFuente primaria · consultada el 19 de noviembre de 2026
  2. GitHubNeywa-Labs/mlx-audio: releases, tags and changeloggithub.comFuente primaria · consultada el 19 de noviembre de 2026
  3. GitHubLicence or terms of use linked by https://github.com/Neywa-Labs/mlx-audiogithub.comFuente primaria · consultada el 19 de noviembre de 2026
  4. GitHubREADME.mdgithub.comFuente primaria · consultada el 19 de noviembre de 2026
  5. GitHubaudio8.mdgithub.comFuente primaria · consultada el 19 de noviembre de 2026
  • mlx audio
  • apple silicon
  • text to speech
  • local ai
  • voice cloning