Esta semana Ollama empezó a hablar. Desde la versión 0.40.11 puedes convertir texto en voz en tu propio computador, sin mandar nada a ningún servidor. Y el modelo que lo hace posible, Phonon, pesa 64 MB.
Ya escuché las voces y suenan muy bien. Así que esta nota es para contarte qué es, qué puedes hacer con él hoy y en qué lo voy a usar yo.
Qué es Phonon
Phonon es una familia de modelos de texto a voz de Gradium, que los publicó como modelos abiertos el 20 de octubre. Ollama lo integró como su primer modelo de voz el 24.
Lo que lo hace especial es el tamaño. El modelo en inglés tiene 31 millones de parámetros y su archivo pesa unos 64 MB. Para que te hagas una idea, un modelo de lenguaje pequeño pesa varios gigas. En un Mac con M5 Max, Ollama reporta que usa unos 121 MB de memoria. No necesita una tarjeta gráfica dedicada: Gradium lo diseñó para correr en CPU, y en Ollama aprovecha el chip del Mac. Y una vez descargado funciona sin internet: ni el texto ni el audio salen de tu equipo.
Habla cinco idiomas: inglés, español, francés, alemán y portugués. Hay un modelo por idioma y uno multilingüe con los cinco.
Ojo con la licencia
Esta es la parte que más importa si piensas usarlo en algo que cobres:
| Modelo | Idiomas | Licencia | ¿Uso comercial? |
|---|---|---|---|
phonon:31m-en | Inglés | Apache 2.0 | Sí |
phonon:40m-en | Inglés | CC BY-NC 4.0 | No |
phonon:40m-es (y fr, de, pt) | Uno por idioma | CC BY-NC 4.0 | No |
phonon:40m-multilingual | Los cinco | CC BY-NC 4.0 | No |
En resumen: solo el modelo en inglés de 31M es libre para uso comercial. Los demás, incluido el de español, son solo para uso no comercial; para usarlos en un producto hay que hablar con Gradium. Para proyectos personales puedes usar cualquiera.
Gradium también pide algo que me parece sano: no usarlo para hacerse pasar por personas reales ni clonar voces sin consentimiento.
Cómo probarlo
Por ahora, en Ollama solo funciona en Mac con Apple Silicon. Windows y Linux vienen “pronto”, sin fecha.
ollama pull phonon
ollama run phonon "Hello from Ollama."
# para ver las voces disponibles
ollama show phonon Y si quieres usarlo desde tu código, Ollama expone un endpoint compatible con el de OpenAI:
curl http://localhost:11434/v1/audio/speech \
-H "Content-Type: application/json" \
-d '{"model": "phonon", "input": "Your balance is up to date.", "voice": "freya"}' \
--output voz.wav Si ya usas la API de voz de OpenAI, cambias la URL y listo.
Fuera de Ollama, Gradium tiene sus propias formas de correrlo: en el iPhone y el Mac con Core ML, en Android, en el navegador, en Python, con Docker y en una Raspberry Pi 5, donde dicen que va más rápido que tiempo real.
Cómo lo voy a usar
En mis bots. Estoy armando mi propio sistema de bots para mis proyectos personales, y una voz local cambia todo: puedo hablar con ellos sin pagar por cada frase y sin que lo que digo salga de mi casa. Como es para mí, puedo usar el modelo en español.
En inventos. Quiero darle voz a cositas: pantallas AMOLED pequeñas con un ESP32-S3 y una Raspberry Pi 4. Aquí hay un detalle técnico: el ESP32-S3 no tiene memoria para correr el modelo. Así que la Raspberry (o un servidor en casa) genera la voz, y el ESP32 hace de boca y de cara: reproduce el audio y muestra la animación en la pantalla. Gradium solo confirma tiempo real en la Pi 5, así que la Pi 4 la voy a tener que probar. Cuando lo tenga, lo cuento aquí.
En Virso, más adelante. La idea es una integración abierta, para que quien quiera pueda darle voz al asistente con un modelo local. Pero la licencia manda: para algo comercial solo puedo usar el modelo en inglés, y la mayoría de quienes usarán Virso hablan español. Así que eso todavía lo estoy pensando.
Por qué me emociona
Hace no mucho, darle voz a un proyecto personal casi siempre significaba pagar una API o conformarse con una voz robótica. Hoy son 64 MB que corren en el computador que ya tienes. Esto abre la puerta a muchos experimentos que antes ni intentaba.
¿Qué le pondrías a hablar tú?
Fuentes: anuncio de Ollama ↗, Phonon en Gradium ↗, modelo en Hugging Face ↗.