¿Todavía pagas a alguien para hacer el doblaje de tus videos cortos? ¿Grabaste más de diez veces y te quedaste sin voz? ¿Quieres clonar tu propia voz en un "gemelo digital" para producir contenido en masa?Magic Sound Factory(MOSS-TTS-Nano v0.1.0) es una herramienta de síntesis de voz local verdaderamente gratuita, completamente offline y que funciona solo con CPU. Solo necesitas introducir un texto y proporcionar un audio de referencia, y podrá generar un archivo de voz con el mismo timbre. Este artículo de hoy trae el tutorial de descarga e instalación de Magic Voice Factory, 3 casos de prueba reales y respuestas a preguntas frecuentes, para ayudarte a poner en marcha tu primera línea de producción de doblaje con IA en 3 minutos.
Magic Voice Factory MOSS-TTS-Nano es una herramienta gratuita de síntesis de voz local y offline, basada en una segunda encapsulación del proyecto de código abierto OpenMOSS MOSS-TTS-Nano (Apache 2.0), con adaptación de interfaz en chino y empaquetado de inicio con un solo clic realizados por desarrolladores nacionales, lista para usar.
En pocas palabras:Convierte texto en voz, sin conexión, sin pago, funciona con CPU y además puede clonar el timbre con un audio de referencia.
Introduce cualquier texto, selecciona un timbre y genera con un clic audio WAV estéreo de 48kHz, con una calidad de sonido cercana a la voz humana.
Ejemplo de operación:En el cuadro de texto introduce "Hola, bienvenido a seguir mi canal" y haz clic en generar
Proporciona un audio de referencia de 5-10 segundos y la IA aprenderá las características del timbre para generar una voz consistente con el timbre de referencia.
Ejemplo de operación:Sube tu propio audio leído → marca "Clonación de voz" → introduce el texto para generar la misma voz
Compatible con 20 idiomas como chino, inglés, japonés, coreano, francés y alemán, con cambio libre para generar doblajes multilingües.
Ejemplo de operación:En el menú desplegable de idioma selecciona "English" e introduce texto en inglés para generar un doblaje en inglés
Una vez descargados los archivos del modelo en local, se puede ejecutar sin conexión, sin consumir cuota de API y sin generar costes de suscripción.
Ejemplo de operación:Tras el primer inicio, cambia a modo avión y aún podrás generar voz con normalidad
Optimizado en profundidad para CPU, funciona con fluidez con 4GB de memoria y no depende de aceleración por GPU.
Ejemplo de operación:También puede ejecutarse directamente en portátiles de oficina antiguos, sin necesidad de tarjeta gráfica dedicada

| Escenarios de ejemplo | Contenido de entrada | Aspectos destacados de la salida y valoraciones | Tiempo de generación / usabilidad |
|---|---|---|---|
| Doblaje para videos cortos | Un audio limpio de 8 segundos + un guion de locución de 30 caracteres | Reproduce perfectamente el timbre y la entonación del audio de referencia, incluso el ritmo de la respiración se acerca al de una persona real. Le puse doblaje a 3 videos para una cuenta de locución de conocimiento, aprobados a la primera, sin necesidad de posproducción. Valoración: puede sustituir por completo el doblaje humano. | 7 segundos por elemento ★★★★★ |
| Producción de contenido multilingüe | Texto en chino de 50 caracteres, seleccionar timbre de voz en inglés | La pronunciación en inglés es natural y fluida, sin una evidente sensación de máquina, y se puede usar directamente en la versión en inglés de videos para cuentas bilingües. Evaluación: el cambio de idioma es muy cómodo y ahorra la molestia de volver a grabar. | 4 segundos por elemento ★★★★☆ |
| Audiolibros / lectura de textos largos | Un capítulo de novela de 500 caracteres | Se genera por segmentos según las oraciones y, tras unirlos, la escucha resulta natural; la segmentación y las pausas son bastante razonables. Evaluación: es adecuado para producir contenido de audio en lote, pero en textos largos se recomienda generar en grupos de 3 a 5 oraciones y luego unirlos para obtener un resultado más estable. | Aproximadamente 20 segundos por segmento ★★★★☆ |
Descarga el paquete comprimido de 魔音工厂 desde la página Release del proyecto y descomprímelo en una ruta totalmente en inglés, por ejemplo D:\moss\. Evita nombres de carpeta en chino que puedan causar errores de inicio. El paquete comprimido incluye los archivos de modelo completos (aproximadamente 728 MB la primera vez); se recomienda reservar 2 GB de espacio en disco.
Después de descomprimir, haz doble clic en 启动.baten el directorio raíz; el programa iniciará el servicio local y abrirá automáticamente la interfaz de operación en el navegador. En ese momento aparecerá una ventana negra de línea de comandos;no la cierre, si se cierra, el programa se cierra.
En la interfaz del navegador, pega o introduce el texto que deseas sintetizar, selecciona el idioma y el timbre de voz (o sube un audio de referencia para activar la clonación de voz) y haz clic en el botón ”generar”. Tras esperar unos segundos, podrás escuchar una vista previa y descargar el archivo WAV de 48 kHz. En las opciones avanzadas se puede ajustar la longitud de una sola generación a 60 segundos o incluso más.
💡 Consejos de uso:Para obtener el mejor efecto de clonación de voz, se recomienda usar como audio de referencia una voz limpia de 5 a 10 segundos (sin música de fondo ni reverberación). Si vas a generar textos largos, primero desactiva la detección de silencio en las opciones avanzadas, luego genera por varios segmentos y, finalmente, únelos con un software de edición.
| Criterio de comparación | Magic Sound Factory | Microsoft Azure TTS | OpenAI TTS |
|---|---|---|---|
| Forma de pago | Gratuito y de código abierto | ¥50-200/mes | ¥15-100/mes |
| Requisitos de red | Totalmente sin conexión | Requiere conexión a internet | Requiere conexión a internet |
| Clonación de voz | Admite | Solo disponible en la versión empresarial | Admite |
| Especificaciones de salida | WAV estéreo de 48 kHz | 48 kHz | 24 kHz |
| Requisitos de hardware | Basta con CPU, 4 GB de memoria | Sin requisitos especiales (en la nube) | Sin requisitos especiales (en la nube) |
Es completamente gratuito y no requiere registro. Está desarrollado a partir de una versión secundaria basada en la licencia de código abierto Apache 2.0, y no presenta funciones recortadas ni cargos ocultos.
La generación predeterminada de una sola vez tarda aproximadamente 30 segundos. Se puede ajustar a 60 segundos o incluso más en las opciones avanzadas, pero para textos largos se recomienda generar por segmentos y luego unirlos, lo que ofrece mayor estabilidad.
Sí. Los derechos de autor del audio generado te pertenecen, y puedes usarlo libremente en videos comerciales, anuncios, contenido de audio y otros escenarios, sin ninguna marca de agua ni restricción.
Windows 10/11, con 4GB de memoria RAM es suficiente para ejecutarlo, no se requiere tarjeta gráfica dedicada. En el primer inicio se descargará un archivo de modelo de aproximadamente 728MB, y después se usará completamente sin conexión.
El paquete comprimido incluye instrucciones de uso detalladas, la interfaz está completamente en chino, solo sigue las indicaciones. También puedes consultar el tutorial de 3 pasos de este artículo, básicamente podrás empezar en 3 minutos.
El problema central que resuelve 魔音工厂 es“el alto costo de doblaje y el proceso pesado”. Comprime la conversión de texto a voz, la clonación de voz y la generación multilingüe en una herramienta local que no necesita conexión a internet, no necesita tarjeta gráfica y no cuesta dinero. Es especialmente adecuada para creadores de videos cortos, operadores de medios propios, productores de audiolibros y todas aquellas personas que necesitan grandes cantidades de material de voz pero no quieren exponer su propia voz. Se recomienda que primero completes tu primer doblaje en 3 minutos y luego intentes clonar tu propia voz para crear un ”gemelo digital”, ese es el verdadero momento en que la eficiencia despega.
🎙️ ¡Descarga ahora 魔音工厂 MOSS-TTS-Nano y pon en marcha tu línea de producción local de síntesis de voz!