Cómo instalar KittenTTS y generar voz en español

0 Antes de empezar: voces con permiso y licencia

El modelo KittenTTS 2 no es MIT ni Apache: usa la Stellon Labs Community License. Lo explicamos en el paso 8.

1 ¿Tu PC sirve?

• Según el README: Python 3.9 o superior; sin GPU, unos 6 GB de RAM (con GPU CUDA, unos 8 GB libres) y 1 GB de disco para el modelo.
• Lo que medimos: 8 núcleos sin GPU; el proceso llegó a 6,6 GB de RAM y tardó unos 40 s para 11,1 s de audio.

2 Pruébalo sin instalar

El README ofrece una prueba en el navegador en KittenML Platform («Free API») y una demo en Hugging Face. No las probamos: la demo de Hugging Face no terminó de cargar cuando intentamos capturarla.

3 Instalación con pip

Si no tienes NVIDIA, instala primero PyTorch para CPU. En nuestro primer intento, pip pidió una versión de torchaudio (2.14.1) que no existe para CPU; fijar torch y torchaudio 2.11.0 lo resolvió:

python3 -m venv .venv && source .venv/bin/activate   # Windows: .venv\Scripts\activate
pip install torch==2.11.0 torchaudio==2.11.0 --index-url https://download.pytorch.org/whl/cpu
pip install kittenml soundfile

4 Tu primer audio en español

Guarda esto como voz.py y ejecútalo con python voz.py. La primera vez descarga el modelo. Usamos los pesos ligeros «emb4» (506 MiB en vez de 947) y normalize=False, que la documentación recomienda para texto que no es inglés:

import soundfile as sf
from kittenml import KittenTTS

m = KittenTTS("KittenML/kitten-tts-2", weights="emb4")
texto = "Hola, soy una voz generada con KittenTTS en una computadora sin tarjeta gráfica."
audio = m.generate(texto, voice="Spanish", normalize=False)
sf.write("voz.wav", audio, m.sample_rate)

Este es el audio que salió en nuestra prueba:

5 Comprueba que se entiende

Pasamos el audio por Whisper (modelo base). En la primera generación transcribió todo bien, incluido «Kitten TTS»; al repetir la prueba, escribió «kit and TTS»: cada generación sale un poco distinta. El audio de esta página es el de la primera.

6 Clonar tu voz

No lo probamos. Según el README, basta con 5 a 30 segundos de audio, sin entrenar nada: se pasa reference= en lugar de voice=.

audio = m.generate("Esta es mi propia voz.", reference="mi_voz.wav", normalize=False)

Solo con tu voz o con permiso por escrito (paso 0).

7 Más rápido en CPU: versión en C++

No lo probamos. El README dice que la forma más rápida de usarlo en CPU es su versión en C++ (un fork de llama.cpp), que también se instala con pip: pip install kitten_tts_cpp.

8 Licencia y uso comercial

• El código del paquete tiene licencia Apache-2.0.
• El modelo KittenTTS 2 usa la Stellon Labs Community License: gratis para investigación, uso no comercial y uso comercial limitado.
• Uso comercial: tienes que registrarte con Stellon Labs.
• Tope de US$1 millón: si tú o tus empresas afiliadas superan US$1 millón de ingresos al año, o US$1 millón de financiación total, la licencia gratis termina y tienes que pedirles una licencia.
• Si lo distribuyes en un producto, tienes que incluir la licencia y su aviso de atribución.

Resumen del texto de la licencia del 26 oct 2026; no es asesoría legal.