Blog Logo

Clonar voz y montar un asistente que jubiló a Alexa en una tarde

Clonar voz cuesta 14 segundos de audio en Fish Audio y una clave de API. Con eso, Claude Code me contesta hablado con mi propia voz en vez de la de Alexa, y de paso trabaja sobre los ficheros de mi equipo. El montaje completo me llevó una tarde y 0 €, y el arranque del vídeo, donde mi voz dice «te escucho perfecto», está generado con esa voz clonada sin que yo grabara nada.

Llevo 3 años diciéndole cosas a Alexa y las conversaciones acaban siempre igual: «no te he entendido», «esa skill no está disponible», «lo siento, no sé hacer eso». Mientras tanto, al lado del altavoz tengo un ordenador entero que sí sabe hacer todo eso. Así que he hecho el cambio lógico: un asistente que vive en mi máquina, toca mis ficheros y me contesta hablando.

Qué he montado exactamente

Un asistente de voz necesita dos piezas: alguien que piensa y una voz que suena, y aquí van las dos en el mismo ordenador. La que piensa es Claude Code, que trabaja con mis ficheros y ejecuta lo que le pido; la que suena es mi voz clonada en Fish Audio, que se reproduce en alto cuando el modelo termina de escribir su respuesta. Con eso le hablas y actúa sobre el equipo sin tocar el teclado.

La diferencia con Alexa es el cerebro: como es un agente con acceso a mi equipo, puede leer un fichero, editar código o encadenar tareas mientras hablamos. Alexa era un altavoz con diccionario; esto se acerca un poco más a la peli de Her, pero montado por mí y en mi propio ordenador. Si lo que queréis es un asistente 24/7 en un servidor, ya os conté cómo instalar OpenClaw de forma segura en un servidor gratuito; aquí la gracia era otra: que sonase como yo. Si el objetivo es controlar la casa y no el ordenador, Home Assistant documenta su propio control por voz.

Clonar mi voz en Fish Audio paso a paso

Fish Audio da tres caminos: voz instantánea con un audio corto, diseñar una voz a partir de una descripción escrita, y clonación de voz profesional, que pide más minutos de grabación pero devuelve el resultado que escucháis al inicio del vídeo. Para la demo usé la instantánea y me bastaron 14 segundos de audio.

  1. Entra en fish.audio y regístrate.
  2. Dale a «crear voz» y elige «voz instantánea».
  3. Graba el texto que te propone o sube un audio que ya tengas. A mí me tocó leer «Anoche me asomé a la ventana y el cielo estaba lleno de estrellas…».
  4. Pulsa analizar, ponle nombre y déjala en privada. Cuidado con esto: es tu voz, así que no la hagas pública.
  5. Escribe cualquier texto, dale a generar discurso y escucha el resultado.

Al texto le puedes añadir etiquetas de emoción: enfadado, contento, riéndose. Le puse «riéndose» delante de una frase del guion de un vídeo mío y la carcajada sale muy natural. Da bastante miedo. También hay un modelo en preview que suena mejor todavía, aunque siguen trabajando en él.

Si escucharte a ti mismo te da tirria, el modo de diseño hace voces desde cero: le describí «voz de una chica joven de 20 años, dulce» y me generó varias muestras para elegir. Cuanto más detalle metas en la descripción, mejor sale, aunque a esa se le nota un toque robótico.

Conectar la voz a Claude Code con el MCP

La conexión rápida es el MCP de Fish Audio: lo añades a Claude Code, autorizas en el navegador y ya te contesta en voz alta. Son tres pasos y ninguno pide escribir código.

  1. Añade el MCP de Fish Audio a Claude Code desde la terminal.
  2. Al abrir Claude te avisa de que hay un MCP sin autenticar. Ejecuta /mcp, elige Fish Audio y autoriza en la pestaña que se abre en el navegador.
  3. Pídeselo tal cual: «quiero que me contestes usando la voz de Edu de Fish Audio».

Con eso ya funciona como asistente: le escribes, procesa lo que sea y reproduce la respuesta con la voz. La primera prueba me la devolvió hablada y ahí se acabó lo que tenía que acabar: Alexa fuera de casa.

Del MCP a la API: gratis hasta finales de noviembre

El MCP cumple, pero hay un detalle de dinero que cambia la decisión: la API de Fish Audio está gratis hasta finales de noviembre. Siendo gratis, mejor que las respuestas salgan llamando a la API directamente.

  1. En Fish Audio, entra en la sección de desarrollador, crea una clave de API y cópiala sin enseñarla.
  2. Guárdala en tu fichero de variables de entorno (~/.zshrc en mi Mac; en Linux igual y en Windows cambia un poco):
export FISH_AUDIO_API_KEY="tu_clave"
  1. Recarga la configuración del terminal:
source ~/.zshrc
  1. Dile a Claude que deje el MCP a un lado y que implemente la API siguiendo su documentación oficial. Le pasé el enlace de la doc y se conectó solo: leyó la documentación, cogió la clave del entorno y montó el hook que reproduce cada respuesta en voz alta. Yo no escribí una línea de integración.

Para hablarle yo por audio, uso el voice input de la terminal Warp: le doy al micro, le hablo y me contesta con mi voz clonada. Si Warp no es lo vuestro, ya os enseñé cómo hacer que un asistente entienda audios gratis con la API de Whisper de Groq.

Qué falló y qué cambiaría

Fallaron tres cosas: el acento del primer audio, una errata mía en el guion de prueba y la voz diseñada por descripción, que suena más robótica que la clonada. Las dos primeras se arreglan cambiando el texto; la tercera es cuestión de elegir el modo de clonación.

Lo primero que falló fue el acento. El primer audio me salió en argentino porque tengo una skill instalada de Engram, un proyecto de un chico argentino, y el modelo se contagió de su forma de escribir. Se arregla en un mensaje: «habla en castellano de España». Pero es un aviso útil: todo lo que tengas instalado se cuela en cómo suena la respuesta.

Lo segundo me lo busqué yo. Le pegué el guion de un vídeo para probar la voz y el «un un nuevo» que salió en el audio estaba escrito así por mí en el guion. La voz lee exactamente lo que le des: si el texto tiene un error, el error se escucha.

Y tercero, la voz diseñada por texto suena un pelín robótica al lado de la clonada. Para imitar una voz real, clonación (la instantánea ya convence y la profesional todavía más). Para inventar voces nuevas, el modo de diseño, sabiendo que se le nota.

Qué cambiaría: quitar el terminal de en medio. Ahora la conversación pasa dentro de Claude Code con Warp delante, y lo que quiero es mandarle un audio por WhatsApp y tener una conversación en tiempo real, sin abrir nada. La verdad es que el resultado ya me gusta; de hecho me suena mejor que mi propia voz, porque escucharme a mí siempre me ha dado un poco de cosa.

El siguiente paso: un Jarvis con WhatsApp

El siguiente paso es un agente que reciba audios por WhatsApp, converse en tiempo real y trabaje sin que estés delante del ordenador. La voz y el cerebro ya están probados; queda quitar el terminal de en medio.

Lo quiero sacar open source para que os lo montéis vosotros, así que si os interesa esa serie de tutoriales, decídmelo en comentarios que os leo.

Mientras tanto puedes clonar tu voz hoy mismo: registro en Fish Audio, 14 segundos de grabación y una clave de API en el fichero de entorno. Y si quieres que el agente ya trabaje solo mientras duermes, la configuración óptima de OpenClaw te da la base de autonomía sobre la que enchufar la voz.


¿Qué te ha parecido?

Déjame tu opinión, pregunta o sugerencia. Los comentarios se sincronizan con GitHub Discussions .

← Volver al blog