Ollama ya habla en local. Solo su modelo en inglés permite uso comercial, así que lea primero la licencia

La frase más importante del anuncio de texto a voz de Ollama no es el benchmark. Es esta: «Los modelos de 40M se publican bajo CC BY-NC 4.0, que los limita a un uso no comercial».

La consecuencia es directa: la variante en español, phonon:40m-es, es precisamente una de las no comerciales. Hoy un asistente de voz para clientes en español no puede usarla.

El 24 de octubre, Ollama añadió generación de voz, empezando por la familia Phonon de Gradium. El modelo inglés por defecto, phonon, tiene licencia Apache 2.0. Las variantes de francés, alemán, español y portugués, y la multilingüe que cubre los cinco idiomas, son no comerciales. Una empresa que construya una función de voz de cara al cliente en español o portugués sobre estos modelos los estaría usando fuera de su licencia.

Eso no hace el lanzamiento menos interesante. Hace que el orden de evaluación sea claro.

Qué se lanzó

• Generación de voz local con Ollama 0.40.11 o posterior, en solo Macs con Apple Silicon por ahora, usando el framework MLX de Apple. Windows y Linux están «próximamente».
• Streaming: el audio se reproduce mientras se genera, así que una respuesta de chat canalizada empieza a hablar tras su primera frase.
• Un endpoint compatible con OpenAI, /v1/audio/speech, en el servidor local. El código que ya existe para el SDK de OpenAI «solo necesita una nueva URL base».
• Voces del catálogo de Gradium, seleccionadas por petición, y salida mono a 24 kHz en WAV o PCM en bruto.
• Un benchmark del proveedor: en un MacBook Pro con un M5 Max, Ollama dice que fue un 35% más rápido que el siguiente motor más rápido que probó, el runtime de la propia Gradium, generando 45 segundos de voz (mediana de diez ejecuciones), con una tasa de error de palabra que iguala la implementación de referencia en 200 frases en inglés. Una máquina, una comparación, medida por Ollama.

Por qué la voz local importa a las empresas

Las funciones de voz han significado normalmente un servicio de voz en la nube junto al modelo que lleva la conversación. Eso añade un procesador por cada intervención, una factura por carácter y un viaje de ida y vuelta por la red en medio de un intercambio en tiempo real. Describimos los agentes de voz como sistemas en tiempo real, donde la latencia moldea la arquitectura más que la inteligencia. La síntesis local elimina un salto y un flujo de datos.

El endpoint compatible con OpenAI es la parte práctica. Un equipo puede hacer el prototipo contra una API de voz en la nube y pasar a la generación local cambiando una URL base, o mantener ambas detrás del mismo cliente y enrutar por caso de uso. Es el mismo argumento de portabilidad que para los modelos de texto, aplicado al audio.

Cuatro preguntas, en este orden

1. ¿El uso es comercial? Si la respuesta es sí y el idioma no es el inglés, las variantes actuales de Phonon quedan fuera. Las herramientas internas son una zona gris que debe decidir su equipo legal, no sus ingenieros.
2. ¿Dónde se va a ejecutar? Hoy, solo en Apple Silicon. Eso encaja con máquinas de desarrollo y con algunos kioscos en el edge; no encaja con los servidores Linux que la mayoría de las empresas usa para inferencia en producción.
3. ¿Es el texto a voz la forma correcta? Phonon convierte texto en voz. No escucha, y no gestiona interrupciones ni turnos de conversación. Un agente de voz conversacional sigue necesitando reconocimiento de voz y un modelo en el bucle.
4. ¿Local significa conforme? El procesamiento local mantiene el audio fuera de los servidores de un tercero, lo que ayuda. No cumple por sí solo los requisitos de retención, consentimiento o seguridad, y una voz sintética sigue planteando la pregunta que tratamos para los avatares de IA: ¿qué voz puede sintetizar la empresa, y sabe quien escucha que es sintética?

Dónde encaja hoy

Los usos empresariales realistas hoy son internos y con el inglés primero: funciones de accesibilidad en herramientas internas, resúmenes hablados para equipos de campo en Macs, prototipos de interfaces de voz que después pasarán a un modelo en producción con licencia. Para las cargas de trabajo que pertenecen a una máquina bajo el escritorio, la voz local completa el stack.

Para la voz multilingüe de cara al cliente, el lanzamiento es una señal más que una solución: la voz se está convirtiendo en una parte estándar del runtime de modelos locales, detrás de la misma forma de API que en la nube. Cuando llegue el soporte para Windows y Linux, y si le siguen modelos con licencia comercial en otros idiomas, el caso se vuelve mucho más fuerte. Hasta entonces, la licencia decide antes que la latencia.