ZeSTA: Aumento TTS zero-shot para síntesis de voz personalizada eficiente

La síntesis de voz personalizada ha avanzado enormemente con modelos de texto a voz (TTS) zero-shot, capaces de clonar la voz de un hablante con apenas unos segundos de audio real. Sin embargo, en escenarios de bajos recursos —donde solo se dispone de unas pocas grabaciones— el uso de datos sintéticos para aumentar el conjunto de entrenamiento suele degradar la similitud del hablante. El método ZeSTA propone un marco de entrenamiento con condicionamiento de dominio que distingue audios reales y sintéticos mediante una embedding ligera, combinado con sobremuestreo de datos reales, logrando mejorar la fidelidad vocal sin modificar la arquitectura base. Esta innovación abre la puerta a aplicaciones más accesibles de personalización de voz, tanto en asistentes virtuales como en sistemas de accesibilidad.

Para las empresas que buscan implementar soluciones de voz personalizada, contar con el soporte tecnológico adecuado es crítico. En Q2BSTUDIO ofrecemos inteligencia artificial para empresas que integra modelos generativos de última generación, así como aplicaciones a medida para adaptar estas tecnologías a cada caso de uso. Nuestros servicios de IA permiten desplegar agentes IA con voz natural, mientras que la infraestructura en servicios cloud AWS y Azure garantiza escalabilidad y seguridad. Además, combinamos la ciberseguridad como base en todos los desarrollos, y ofrecemos inteligencia de negocio con Power BI para analizar el rendimiento de las interacciones por voz. Con un enfoque en software a medida, ayudamos a transformar la innovación en voz en ventajas competitivas reales.