tiny-voca es un modelo de síntesis de voz en texto (TTS) en inglés de bajo consumo, diseñado para ejecutarse en dispositivos móviles o navegadores web sin necesidad de GPU. Desarrollado por n4ze3m, el modelo cuenta con 4,5 millones de parámetros y fue entrenado desde cero utilizando aproximadamente 18 horas de voz sintética, logrando una velocidad de inferencia de 70 veces más rápida que el tiempo real en cuatro hilos de CPU. La herramienta ofrece dos voces en inglés americano, denominadas F2 (femenina) y M2 (masculina), y genera audio en mono a 24 kHz. A diferencia de los vocoders neuronales, tiny-voca emplea un sintetizador de fuente-filtro, lo que permite una ejecución eficiente en hardware limitado. El proyecto incluye el código fuente, los pesos del modelo en PyTorch y ONNX, así como una interfaz web para probarlo directamente. En el Open TTS Leaderboard, tiny-voca se posiciona en el octavo lugar para la voz masculina y el décimo para la femenina, con una tasa de error de palabra (WER) del 0,733% y 0,737% respectivamente. El modelo no requiere pesos preentrenados y se distribuye bajo la licencia Apache-2.0, facilitando su integración en aplicaciones que requieren síntesis de voz ligera y de bajo costo computacional.
