Proyectos de IA: Audio y Música

Proyectos open source para generación y manipulación de audio con inteligencia artificial

Tadpole Studio

Estudio local de generación musical con IA basado en ACE-Step 1.5. Genera, remezcla y gestiona música con AI DJ, modo radio y fine-tuning con LoRA, todo desde tu máquina.

• Audio
• Open Source
• Local

Voicebox

Estudio de síntesis y clonación de voz local y open source, alternativa gratuita a ElevenLabs. Clona voces con Qwen3-TTS, edita con timeline multi-pista, transcribe con Whisper y ofrece API REST, todo sin conexión a la nube.

• Audio
• Voz
• Open Source
• Local

Voxt

App de barra de menú para macOS que convierte voz a texto y traduce con un atajo global. Pulsa para hablar, suelta para pegar en cualquier aplicación. Transcripción local con MLX Audio o Apple SFSpeechRecognizer, traducción a 7 idiomas con modelos on-device, historial y gestor de modelos integrado.

• Audio
• Voz
• Open Source
• macOS

FlyCut Caption

Editor de subtítulos de vídeo con IA que genera subtítulos automáticos mediante Whisper directamente en el navegador. Incluye edición visual de segmentos, vista previa en tiempo real, estilos personalizables, exportación a SRT/JSON/vídeo con subtítulos incrustados y soporte multilingüe. Procesamiento 100% local con Transformers.js.

• Audio
• Video
• Subtítulos
• Open Source
• Local

OpenWhispr

App de dictado voz-a-texto multiplataforma con enfoque privacy-first. Transcribe con hotkey global y pega automáticamente en cualquier aplicación. Soporta modelos locales (Whisper, NVIDIA Parakeet) y cloud (OpenAI, Claude, Gemini, Groq). Diccionario personalizado, historial local con SQLite, notas con procesamiento IA y gestión de modelos con descarga en un clic.

• Audio
• Voz
• Open Source
• Multiplataforma
• Local

Abogen

Conversor texto-a-voz que transforma ePub, PDF, TXT, Markdown y subtítulos en audio de alta calidad con subtítulos sincronizados. Usa el modelo Kokoro-82M, soporta velocidad ajustable, mezclador de voces, múltiples formatos de salida (WAV, FLAC, MP3, M4B con capítulos), procesamiento por lotes y funciona offline. Interfaz de escritorio PyQt6 y web Flask. Licencia MIT.

• Audio
• TTS
• Open Source
• Local
• Audiolibros

Ming-omni-TTS

Modelo unificado de generación de audio que sintetiza voz, música y efectos de sonido en un solo canal con control preciso. Tokenizador continuo a 12.5Hz con compresión Patch-by-Patch (3.1Hz), control de velocidad, tono, volumen, emoción y dialecto, clonación de voz zero-shot (0.83% WER en chino), 100+ voces integradas, normalización de expresiones matemáticas/químicas y precisión del 93% en control dialectal. De Ant Group / InclusionAI.

• Audio
• TTS
• Open Source
• Música
• Voz