Conrado Gómez | Software Developer

EdgeVoice es una API REST de texto a voz que desarrollé como alternativa auto-hospedable a servicios comerciales de TTS. Compatible con el formato de OpenAI, utiliza Microsoft Edge TTS para generar audio de calidad profesional sin costos por uso.

¿Por Qué EdgeVoice?

Los servicios de Text-to-Speech como OpenAI TTS o ElevenLabs son potentes, pero costosos a escala. EdgeVoice ofrece:

Costo cero: Sin límites de caracteres ni suscripciones
Privacidad: Todo el procesamiento es local, sin enviar datos a terceros
Compatibilidad OpenAI: Integración directa con aplicaciones existentes
Múltiples voces: Acceso a las voces neurales de Microsoft Edge

Características Principales

1. Compatibilidad con OpenAI TTS API

EdgeVoice implementa los mismos endpoints que OpenAI, permitiendo reemplazarlo sin cambiar código:

POST /v1/audio/speech
Authorization: Bearer YOUR_KEY
{model: "tts-1", voice: "alloy", input: "Hello world"}

2. Soporte Multi-Formato

EdgeVoice genera audio en múltiples formatos optimizados:

MP3: Uso general, compatible universalmente
Opus: Máxima calidad con menor tamaño (ideal para streaming)
AAC: Optimizado para dispositivos Apple
FLAC: Sin pérdida, para aplicaciones de audio profesional
WAV: Sin comprimir, máxima calidad

3. Streaming con Server-Sent Events (SSE)

EdgeVoice soporta streaming en tiempo real, enviando chunks de audio mientras se genera:

response_format: "opus"
stream: true
→ Audio enviado en fragmentos incrementales

Esto permite iniciar reproducción antes de que se genere todo el audio, reduciendo latencia percibida.

4. Control de Velocidad de Reproducción

Ajusta la velocidad de habla entre 0.25x (muy lento) y 4.0x (muy rápido):

1.0x: Velocidad normal (conversacional)
1.2x: Ideal para audiolibros y podcasts
0.8x: Útil para aprendizaje de idiomas
1.5x+: Consumo rápido de contenido

Stack Tecnológico

Python: Backend de la API
Flask: Framework web minimalista
Edge-TTS: Biblioteca para acceder a Microsoft Edge TTS
FFmpeg: Conversión y procesamiento de audio
Asyncio: Gestión asíncrona para streaming eficiente

Casos de Uso

1. Asistentes de Voz Personalizados

Integra EdgeVoice en chatbots o asistentes virtuales para añadir voz sin costos recurrentes.

2. Generación de Audiolibros

Convierte grandes volúmenes de texto en audio para plataformas educativas o de entretenimiento.

3. Accesibilidad Web

Implementa lectores de pantalla personalizados o sistemas de navegación por voz para usuarios con discapacidades visuales.

4. Prototipado de Apps con IA

Desarrolladores pueden probar funcionalidades de voz antes de invertir en servicios comerciales.

Instalación y Configuración

# Clonar repositorio
git clone https://github.com/OOMrConrado/EdgeVoice
cd EdgeVoice

# Instalar dependencias
pip install -r requirements.txt

# Iniciar servidor
python app.py

# API disponible en http://localhost:5000

Ejemplo de Uso con cURL

Generar audio simple:

curl http://localhost:5000/v1/audio/speech \
  -H "Content-Type: application/json" \
  -d '{"model": "tts-1", "voice": "alloy", "input": "Hola mundo"}' \
  --output audio.mp3

Integración con Librerías Populares

OpenAI Python SDK

from openai import OpenAI
client = OpenAI(base_url="http://localhost:5000/v1")

response = client.audio.speech.create(
  model="tts-1",
  voice="alloy",
  input="Hello from EdgeVoice!"
)
response.stream_to_file("output.mp3")

JavaScript/TypeScript

const response = await fetch('http://localhost:5000/v1/audio/speech', {
  method: 'POST',
  headers: { 'Content-Type': 'application/json' },
  body: JSON.stringify({
    model: 'tts-1',
    voice: 'alloy',
    input: 'Text to speech'
  })
});
const audioBlob = await response.blob();

💡 Desafío Técnico Resuelto

El mayor reto fue implementar streaming eficiente sin bloquear el servidor. La solución fue usar asyncio con generators para enviar chunks de audio a medida que Edge TTS los genera, manteniendo baja latencia incluso con textos largos.

Voces Disponibles

EdgeVoice soporta todas las voces neurales de Microsoft Edge. Algunas populares:

Español (ES): es-ES-AlvaroNeural, es-ES-ElviraNeural
Español (MX): es-MX-DaliaNeural, es-MX-JorgeNeural
English (US): en-US-JennyNeural, en-US-GuyNeural
English (UK): en-GB-SoniaNeural, en-GB-RyanNeural

Consulta la documentación completa para ver todas las voces y sus características.

Limitaciones y Consideraciones

EdgeVoice depende del servicio Edge TTS de Microsoft, que puede cambiar sin aviso
Para uso comercial intensivo, considera servicios oficiales con SLA garantizado
La calidad de voz es excelente pero puede no igualar servicios premium como ElevenLabs
Requiere conexión a internet para acceder al servicio TTS de Edge

Roadmap Futuro

✅ API compatible con OpenAI TTS
✅ Streaming con Server-Sent Events
✅ Soporte multi-formato (MP3, Opus, AAC, FLAC)
🔄 Cache de audios generados para reducir latencia
📋 Dashboard web para gestión y monitoreo
🌐 Soporte para más idiomas y voces custom
🔐 Autenticación con API keys rotativos

Enlaces del Proyecto

Repositorio en GitHub

EdgeVoice es perfecto para proyectos personales, prototipos y pequeñas aplicaciones. Para producción a gran escala, evalúa tus necesidades de SLA y considera servicios comerciales.

EdgeVoice: API de Texto a Voz Compatible con OpenAI