Evaluación comparativa de modelos pequeños de texto a voz en CPU para despliegue local
Una evaluación comparativa de noviembre de 2026 analiza la latencia, la memoria y la calidad de los modelos TTS ligeros en una CPU AMD EPYC de un solo hilo.
Traducido automáticamente del original en inglés.
Los ingenieros que desarrollan funciones de IA offline o en el edge ya disponen de datos concretos sobre el rendimiento de los modelos pequeños de texto a voz (TTS) en hardware estándar de servidores. Una evaluación comparativa detallada publicada en noviembre de 2026 analiza veinte modelos en una CPU AMD EPYC Rome de un solo hilo, midiendo la latencia, el uso de memoria y la calidad del audio sin aceleración por GPU.
Qué ha ocurrido
La prueba evaluó una amplia gama de sistemas TTS de pesos abiertos, desde modelos experimentales diminutos hasta motores más grandes listos para producción. El objetivo era identificar qué modelos ofrecen el mejor equilibrio entre velocidad y naturalidad en entornos exclusivos de CPU. La evaluación ejecutó cada modelo de forma aislada utilizando un entorno de pruebas consistente en Python sobre Ubuntu 24.04, garantizando que los resultados reflejaran el rendimiento real de un solo núcleo en lugar de ráfagas optimizadas multihilo.
Los modelos se probaron con cinco muestras de texto específicas, incluyendo saludos cortos, párrafos largos y secuencias numéricas complejas. La evaluación se centró en la latencia mediana del primer fragmento de audio, la velocidad general de procesamiento, el consumo máximo de memoria y la inteligibilidad. La inteligibilidad se midió mediante la Tasa de Error de Palabras (WER) usando Whisper large-v3, mientras que la naturalidad se puntuó utilizando el predictor UTMOS22. Los resultados destacan diferencias significativas en eficiencia: algunos modelos generan audio más rápido que el tiempo real, mientras que otros tienen dificultades para mantenerse al día incluso en CPUs potentes de grado servidor.
Cómo funciona
La infraestructura de la evaluación utilizó una máquina virtual KVM con 16 vCPUs, pero restringió la mayoría de las pruebas a un solo hilo para simular dispositivos edge con recursos limitados o tareas en segundo plano. Cada modelo se ejecutó en su propio proceso con archivos locales, evitando la latencia de red. La prueba midió el tiempo de "primer audio", que es el retraso entre la llamada a la API y el inicio de la reproducción, una métrica crítica para aplicaciones interactivas.
El rendimiento se cuantificó utilizando el Factor de Tiempo Real (RTF), donde un valor inferior a 1.0 significa que el modelo genera audio más rápido de lo que tarda en pronunciarlo. El uso de memoria se registró como la memoria máxima del proceso, y la calidad se evaluó objetivamente. La WER mide con qué precisión un sistema de voz a texto puede transcribir la salida, indicando claridad, mientras que UTMOS predice la naturalidad similar a la humana en una escala de 1 a 5. Este enfoque de doble métrica ayuda a los desarrolladores a distinguir entre modelos que son simplemente rápidos y aquellos que producen un habla utilizable y agradable.
Detalles clave
- Latencia más rápida: Linnet en-35m logró el menor tiempo de primer audio con 70 ms, seguido de cerca por Phonon 31m con 82 ms.
- Mayor eficiencia: SupraTTS-1.0-Preview alcanzó una velocidad de 74× tiempo real en un solo hilo, aunque carece de soporte para streaming.
- Menor memoria: Mach Boom utilizó solo 107 MB de memoria máxima, lo que lo hace adecuado para entornos altamente restringidos.
- Mejor naturalidad: nano-edge-tts (Kokoro) obtuvo la puntuación más alta en UTMOS con 4.50, a pesar de un tiempo de primer audio más lento de 550 ms.
- Soporte multilingüe: Paradee-8M v1.3 admite inglés, hindi, francés, español y alemán, con una latencia moderada de 261 ms.
- Variedad de licencias: La mayoría de los mejores rendimientos utilizan licencias Apache-2.0 o MIT, aunque algunos, como Underdog Woof, están restringidos al uso no comercial.
Por qué importa
Para los desarrolladores que implementan IA en dispositivos edge, portátiles o instancias cloud sensibles a costos, el acceso a GPU no siempre está garantizado. Estos resultados demuestran que la síntesis de voz de alta calidad es viable únicamente con CPU, siempre que se elija el modelo adecuado. Modelos como Linnet y Phonon ofrecen tiempos de respuesta casi instantáneos, esenciales para asistentes de voz y herramientas interactivas donde el lag rompe la experiencia del usuario.
Las restricciones de memoria suelen ser un cuello de botella más difícil que la potencia de cómputo en sistemas embebidos. La amplia gama de huellas de memoria, desde 107 MB hasta más de 2 GB, permite a los ingenieros ajustar los modelos a límites específicos de hardware. Además, la discrepancia entre el rendimiento declarado en las fichas de los modelos y los resultados medidos subraya la necesidad de evaluaciones independientes. Las afirmaciones a menudo dependen de hardware óptimo o métricas parciales, mientras que esta prueba proporciona datos de extremo a extremo relevantes para el despliegue en producción.
Qué puedes hacer
- Prioriza Linnet en-35m o Phonon 31m si tu aplicación requiere una latencia inferior a 100 ms para funciones de voz interactivas.
- Elige Mach Boom o SmollerTTS si tu entorno de despliegue tiene límites estrictos de memoria inferiores a 200 MB.
- Usa nano-edge-tts (Kokoro) cuando la naturalidad del audio sea la principal preocupación y una latencia ligeramente mayor sea aceptable.
- Verifica la compatibilidad de la licencia antes de la integración, especialmente para productos comerciales, teniendo en cuenta que algunos modelos de alto rendimiento son no comerciales.
- Evalúa tempranamente los requisitos multilingües, ya que muchos modelos rápidos como Linnet son solo para inglés, mientras que otros como Paradee ofrecen un soporte lingüístico más amplio.
- Realiza pruebas de rendimiento en tu hardware específico, ya que el desempeño en un servidor AMD EPYC puede diferir significativamente del de dispositivos edge basados en ARM.



