# Modelos de Voz ### Síntesis de voz

Descripció / Funció	Nom model	Model card	Comentaris
Síntesis de voz (español)	PL-BERT-es	https://huggingface.co/BSC-LT/PL-BERT-es	Encoder fonético para español con tokenización a nivel de palabra, arquitectura ALBERT y un vocabulario de aproximadamente 1,2 millones de tokens.
Síntesis de voz (español)	PL-BERT-wp-es	https://huggingface.co/BSC-LT/PL-BERT-wp-es	Encoder fonético para español con tokenización a nivel de sub-palabra, arquitectura ALBERT y un vocabulario de aproximadamente 30.000 tokens.
Síntesis de voz (español)	ModernBERT-wp-es	https://huggingface.co/BSC-LT/PL-ModernBERT-wp-es	Encoder fonético para español con tokenización a nivel de sub-palabra, arquitectura ModernBERT y un vocabulario de aproximadamente 30.000 tokens.
Síntesis de voz (catalán)	matxa-tts-v2-ca-central-graphemes	https://huggingface.co/BSC-LT/matxa-tts-v2-ca-central-graphemes	Modelo neuronal de texto a voz (TTS) multihablante en catalán que trabaja con grafemas. Funciona conjuntamente con un modelo de vocoder para generar voz expresiva y de alta calidad de manera eficiente. Puede utilizarse con cualquier vocoder, como 🥑 alVoCat o Wavenext.
Síntesis de voz (catalán)	PL-BERT-ca	https://huggingface.co/BSC-LT/PL-BERT-ca	Encoder fonético para catalán con tokenización a nivel de palabra, arquitectura ALBERT y un vocabulario de aproximadamente 1,1 millones de tokens.
Síntesis de voz (catalán)	PL-BERT-wp-ca	https://huggingface.co/BSC-LT/PL-BERT-wp-ca	Encoder fonético para catalán con tokenización a nivel de sub-palabra, arquitectura ALBERT y un vocabulario de aproximadamente 30.000 tokens.
Síntesis de voz (catalán)	ModernBERT-wp-ca	https://huggingface.co/BSC-LT/PL-ModernBERT-wp-ca	Encoder fonético para catalán con tokenización a nivel de sub-palabra, arquitectura ModernBERT y un vocabulario de aproximadamente 30.000 tokens.
Síntesis de voz (gallego)	Nos_TTS-sabela-vits-phonemes	https://huggingface.co/proxectonos/Nos_TTS-sabela-vits-phonemes	Modelo de síntesis de voz en gallego entrenado desde cero utilizando la librería Coqui TTS a partir del corpus Sabela del dataset CRPIH_UVigo-GL-Voices.
Síntesis de voz (gallego)	Nos_TTS-icia-vits-phonemes	https://huggingface.co/proxectonos/Nos_TTS-icia-vits-phonemes	Modelo de síntesis de voz en gallego entrenado desde cero utilizando la librería Coqui TTS a partir del corpus Icía del dataset CRPIH_UVigo-GL-Voices.
Síntesis de voz (gallego)	Nos_TTS-iago-vits-phonemes	https://huggingface.co/proxectonos/Nos_TTS-iago-vits-phonemes	Modelo de síntesis de voz en gallego entrenado desde cero utilizando la librería Coqui TTS a partir del corpus Iago del dataset CRPIH_UVigo-GL-Voices.
Síntesis de voz (gallego)	Nos_TTS-paulo-vits-phonemes	https://huggingface.co/proxectonos/Nos_TTS-paulo-vits-phonemes	Modelo de síntesis de voz en gallego entrenado desde cero utilizando la librería Coqui TTS a partir del corpus Paulo del dataset CRPIH_UVigo-GL-Voices.
Síntesis de voz (gallego)	Nos_TTS-celtia-vits-phonemes	https://huggingface.co/proxectonos/Nos_TTS-celtia-vits-phonemes	Modelo de síntesis de voz en gallego entrenado desde cero utilizando la librería Coqui TTS a partir del corpus Nos_Celtia-GL.
Síntesis de voz (gallego)	Nos_TTS-brais-vits-phonemes	https://huggingface.co/proxectonos/Nos_TTS-brais-vits-phonemes	Modelo de síntesis de voz en gallego entrenado desde cero utilizando la librería Coqui TTS a partir del corpus Nos_Brais-GL.
Síntesis de voz (gallego)	Nos _TTS-brais-vits-graphemes	https://huggingface.co/proxectonos/Nos_TTS-brais-vits-graphemes	Modelo de síntesis de voz en gallego entrenado desde cero utilizando la librería Coqui TTS a partir del corpus Nos_Brais-GL.
Síntesis de voz (lenguas ibéricas)	HiTZ-TTS-Models collection	https://huggingface.co/collections/HiTZ/tts	Colección de 12 modelos de síntesis de voz en euskera (2), gallego (6), catalán (2), español (2), entrenados para el modelo VITS. Requiere el uso del script de síntesis de https://github.com/hitz-zentroa/aHoTTS

### Reconocimiento de voz

Descripció / Funció	Nom model	Model card	Comentaris
Reconocimiento de voz (español, catalán, gallego, euskera)	whisper-large-v3-LoS	https://huggingface.co/BSC-LT/whisper-large-v3-LoS	Modelo de reconocimiento de voz en español, catalán, gallego, euskera. Ha sido ajustado a partir de openai/whisper-large-v3, utilizando un total de 8.110 horas de datos previamente preprocesados.
Reconocimiento de voz (español, catalán, gallego, euskera)	whisper-large-v3-LoS-punctuated	https://huggingface.co/BSC-LT/whisper-large-v3-LoS-punctuated	Modelo de reconocimiento de voz en español, catalán, gallego, euskera. Ha sido ajustado a partir de openai/whisper-large-v3, utilizando un total de 8.110 horas de datos previamente preprocesados.
Reconocimiento de voz (español, catalán, gallego, euskera)	stt_los_conformer_transducer_large	https://huggingface.co/BSC-LT/stt_los_conformer_transducer_large	Modelo acústico basado en “NVIDIA/stt_es_conformer_transducer_large”, optimizado para el reconocimiento automático multilingüe del habla en las lenguas de España (LoS). El modelo genera transcripciones en minúsculas en los cuatro idiomas, respetando su alfabeto propio e incluyendo los espacios entre palabras. Se ha ajustado con un conjunto de datos multilingüe LoS de 2.700 horas.
Reconocimiento de voz (español, catalán, gallego, euskera)	stt_los_conformer_transducer_large_punctuated	https://huggingface.co/BSC-LT/stt_los_conformer_transducer_large_punctuated	Modelo acústico basado en “NVIDIA/stt_es_conformer_transducer_large”, optimizado para el reconocimiento automático multilingüe del habla en las lenguas de España (LoS). El modelo genera transcripciones en minúsculas en los cuatro idiomas, respetando su alfabeto propio e incorporando signos de puntuación. Se ha ajustado con un conjunto de datos multilingüe LoS de 2.700 horas.
Reconocimiento de voz (español, catalán, gallego, euskera)	hubert-base-los-2k	https://huggingface.co/BSC-LT/hubert-base-los-2k	Modelo HuBERT Base preentrenado con 2.000 horas de datos de voz en lenguas ibéricas (español, catalán, euskera y gallego). La arquitectura del modelo es la misma que la del HuBERT Base original.
Reconocimiento de voz (catalán-español)	stt_ca-es_conformer_transducer_large	https://huggingface.co/projecte-aina/stt_ca-es_conformer_transducer_large	Modelo de reconocimiento de voz derivado de NVIDIA/stt_es_conformer_transducer_large, ajustado mediante un corpus bilingüe catalán-español compuesto por 7.426 horas de audio.
Reconocimiento de voz (euskera-español)	stt_eseu_conformer_transducer_large	https://huggingface.co/HiTZ/stt_eseu_conformer_transducer_large	Modelo de reconocimiento de voz derivado a partir del modelo preentrenado BBS-S2TC_conformer_transducer_large, entrenado con un corpus de 1.366,18 horas de grabaciones en euskera, español y habla bilingüe con eventos de code-switching.
Reconocimiento de voz (euskera-español)	BBS-S2TC_conformer_transducer_large	https://huggingface.co/HiTZ/BBS-S2TC_conformer_transducer_large	Modelo de reconocimiento de voz entrenado con 1.462 horas de audio en español y euskera. Se obtuvo mediante un proceso de ajuste del modelo vasco preentrenado stt_eu_conformer_transducer_large, utilizabdo el toolkit Nvidia NeMo.
Reconocimiento de voz (español)	spanish-verification-model-pkt-a	https://huggingface.co/BSC-LT/spanish-verification-model-pkt-a	Modelo de verificación, basado en nvidia/parakeet-rnnt-1.1b diseñado para evaluar la fiabilidad de transcripciones. Este modelo se usa junto con el modelo spanish-verification-model-pkt-b para realizar verificación cruzada y aumentar la confianza en las transcripciones.
Reconocimiento de voz (español)	spanish-verification-model-pkt-b	https://huggingface.co/BSC-LT/spanish-verification-model-pkt-b	Modelo de verificación, basado en nvidia/parakeet-rnnt-1.1b diseñado para evaluar la fiabilidad de transcripciones. Este modelo se usa junto con el modelo spanish-verification-model-pkt-a para realizar verificación cruzada y aumentar la confianza en las transcripciones.
Reconocimiento de voz (español)	spanish-verification-model-pkt-c	https://huggingface.co/BSC-LT/spanish-verification-model-pkt-c	Modelo de verificación, basado en nvidia/parakeet-rnnt-1.1b diseñado para evaluar la fiabilidad de transcripciones. Este modelo se usa junto con el modelo spanish-verification-model-pkt-d para realizar verificación cruzada y aumentar la confianza en las transcripciones.
Reconocimiento de voz (español)	spanish-verification-model-pkt-d	https://huggingface.co/BSC-LT/spanish-verification-model-pkt-d	Modelo de verificación, basado en nvidia/parakeet-rnnt-1.1b diseñado para evaluar la fiabilidad de transcripciones. Este modelo se usa junto con el modelo spanish-verification-model-pkt-c para realizar verificación cruzada y aumentar la confianza en las transcripciones.
Reconocimiento de voz (español)	parakeet-rnnt-1.1b_cv17_es_ep18_1270h	https://huggingface.co/projecte-aina/parakeet-rnnt-1.1b_cv17_es_ep18_1270h	Modelo acústico derivado de nvidia/parakeet-rnnt-1.1b, optimizado para tareas de reconocimiento automático de voz en español.
Diarización de hablantes (español)	pyannote-segmentation-3.0-RTVE	https://huggingface.co/HiTZ/pyannote-segmentation-3.0-RTVE	Tres modelos ajustados, que se combinan mediante DOVER-Lap. Cada modelo ha sido ajustado para optimizar un componente específico de la tasa de error de diarización: falsas alarmas, detecciones omitidas y confusión de hablante. Cada uno de los modelos es una versión afinada de pyannote/segmentation-3.0 , entrenada sobre la base de datos de RTVE.
Reconocimiento de voz (catalán)	faster-whisper-bsc-large-v3-cat	https://huggingface.co/BSC-LT/faster-whisper-bsc-large-v3-cat	Modelo de reconocimiento de voz, resultado de convertir el modelo whisper-bsc-large-v3-cat en un modelo más ligero con faster-whisper.
Reconocimiento de voz (catalán)	whisper-bsc-large-v3-cat	https://huggingface.co/BSC-LT/whisper-bsc-large-v3-cat	Modelo de reconocimiento de voz en catalán, optimizado a partir del modelo whisper-large-v3 con 4.700 horas de grabaciones en catalán. El modelo está diseñado para transcribir audio en catalán a texto plano, sin signos de puntuación.
Reconocimiento de voz (valenciano)	faster-whisper-3cat-cv21-valencian	https://huggingface.co/BSC-LT/faster-whisper-3cat-cv21-valencian	Modelo de reconocimiento de voz, resultado de convertir el modelo whisper-3cat-cv21-valencian en un modelo más ligero con faster-whisper.
Reconocimiento de voz (valenciano)	whisper-3cat-cv21-valencian	https://huggingface.co/BSC-LT/whisper-3cat-cv21-valencian	Modelo de reconocimiento de voz en valenciano, optimizado a partir del modelo whisper-large-v3 con 397 horas y 55 minutos de grabaciones.
Reconocimiento de voz (balear)	faster-whisper-3cat-balearic	https://huggingface.co/BSC-LT/faster-whisper-3cat-balearic	Modelo de reconocimiento de voz, resultado de convertir el modelo whisper-3cat-balearic en un modelo más ligero con faster-whisper.
Reconocimiento de voz (balear)	whisper-3cat-balearic	https://huggingface.co/BSC-LT/whisper-3cat-balearic	Modelo de reconocimiento de voz en balear, optimizado a partir del modelo whisper-large-v3 con 90 horas de grabaciones.
Reconocimiento de voz (euskera)	stt_eu_conformer_ctc_large	https://huggingface.co/HiTZ/stt_eu_conformer_ctc_large	Este modelo realiza la transcripción automática de habla en euskera utilizando el alfabeto vasco en minúsculas, incluyendo la segmentación por espacios. Ha sido entrenado con un conjunto de 548 horas de audio en euskera y posteriormente ajustado a partir del modelo español preentrenado stt_es_conformer_ctc_large mediante el toolkit Nvidia NeMo.
Reconocimiento de voz (euskera)	stt_eu_conformer_transducer_large_v2	https://huggingface.co/HiTZ/stt_eu_conformer_transducer_large_v2	Este modelo realiza la transcripción automática de habla en euskera utilizando el alfabeto vasco en minúsculas, incluyendo la segmentación por espacios. Ha sido entrenado con un conjunto de 771,73 horas de audio en euskera y posteriormente ajustado a partir del modelo español preentrenado stt_es_conformer_transducer_large mediante el toolkit Nvidia NeMo.
Reconocimiento de voz (euskera)	stt_eu_conformer_transducer_large	https://huggingface.co/HiTZ/stt_eu_conformer_transducer_large	Este modelo realiza la transcripción automática de habla en euskera utilizando el alfabeto vasco en minúsculas, incluyendo la segmentación por espacios. Ha sido entrenado con un conjunto de 548 horas de audio en euskera y posteriormente ajustado a partir del modelo español preentrenado stt_es_conformer_transducer_large utilizando el toolkit Nvidia NeMo.
Reconocimiento de voz (euskera)	whisper-tiny-eu	https://huggingface.co/HiTZ/whisper-tiny-eu	Modelo de reconocimiento de voz en euskera. Ha sido ajustado a partir de openai/whisper-tiny, utilizando el conjunto de datos en euskera de Mozilla Common Voice 13.0.
Reconocimiento de voz (euskera)	whisper-small-eu	https://huggingface.co/HiTZ/whisper-small-eu	Modelo de reconocimiento de voz en euskera. Ha sido ajustado a partir de openai/whisper-small, utilizando el conjunto de datos en euskera de Mozilla Common Voice 13.0.
Reconocimiento de voz (euskera)	whisper-medium-eu	https://huggingface.co/HiTZ/whisper-medium-eu	Modelo de reconocimiento de voz en euskera. Ha sido ajustado a partir de openai/whisper-medium, utilizando el conjunto de datos en euskera de Mozilla Common Voice 13.0.
Reconocimiento de voz (euskera)	whisper-base-eu	https://huggingface.co/HiTZ/whisper-base-eu	Modelo de reconocimiento de voz en euskera. Ha sido ajustado a partir de openai/whisper-base, utilizando el conjunto de datos en euskera de Mozilla Common Voice 13.0.
Reconocimiento de voz (euskera)	whisper-large-eu	https://huggingface.co/HiTZ/whisper-large-eu	Modelo de reconocimiento de voz en euskera. Ha sido ajustado a partir de openai/whisper-large, utilizando el conjunto de datos en euskera de Mozilla Common Voice 13.0.
Reconocimiento de voz (euskera)	whisper-large-v2-eu	https://huggingface.co/HiTZ/whisper-large-v2-eu	Modelo de reconocimiento de voz en euskera. Ha sido ajustado a partir de openai/whisper-large-v2, utilizando el conjunto de datos en euskera de Mozilla Common Voice 13.0.
Reconocimiento de voz (euskera)	whisper-large-v3-eu	https://huggingface.co/HiTZ/whisper-large-v3-eu	Modelo de reconocimiento de voz en euskera. Ha sido ajustado a partir de openai/whisper-large-v3, utilizando el conjunto de datos en euskera de Mozilla Common Voice 13.0.

--- # Agent Instructions: Querying This Documentation If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question. Perform an HTTP GET request on the current page URL with the `ask` query parameter: ``` GET https://langtech-bsc.gitbook.io/alia-kit/modelos/modelos-de-voz.md?ask= ``` The question should be specific, self-contained, and written in natural language. The response will contain a direct answer to the question and relevant excerpts and sources from the documentation. Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.