Tu terminal ahora puede responder-te, y lo curioso es que lo hace sin llamar a ninguna API en la nube. El sábado, Ollama lanzó la versión 0.40.11 con síntesis de voz en macOS. El primer modelo de voz es Phonon, una familia de modelos pequeños de TTS de Gradium. Lo descargas con ollama pull phonon y lo ejecutas como cualquier otro modelo. Lo que realmente interesa a los desarrolladores es la API. Phonon funciona con el endpoint /v1/audio/speech compatible con OpenAI en localhost. Si tu código ya usa el SDK de OpenAI para voz, la documentación dice que solo necesitas una nueva URL base. La respuesta se transmite mientras se genera el audio, por lo que la reproducción puede comenzar antes de que se termine todo el texto. Incluso puedes redirigir la respuesta de un modelo de chat directamente a Phonon, y comenzará a hablar tras la primera oración. La salida es mono de 24 kHz, por defecto en formato WAV o PCM crudo de 16 bits si lo solicitas. La documentación enumera algunos límites que son fáciles de superar. Cada solicitud admite hasta 4.096 caracteres, aunque ollama run divide automáticamente el texto más largo. Los precios, símbolos, correos electrónicos y URLs se pronuncian letra por letra, mientras que las fechas numéricas se leen tal como están escritas; por ello, la documentación sugiere escribir las fechas en palabras. Las opciones no compatibles, como la velocidad o instrucciones, devuelven un error 400 en lugar de ignorarse silenciosamente. La licencia merece una lectura cuidadosa antes de lanzar cualquier cosa. El modelo predeterminado en inglés de Phonon es Apache 2.0. Las variantes en francés, alemán, español, portugués y multilingüe de 40M están bajo CC BY-NC 4.0, lo que excluye su uso comercial. Ollama también indica que en un MacBook Pro con M5 Max funcionó un 35 % más rápido que el entorno de ejecución propio de Gradium, aunque esto es su propio benchmark y no uno independiente. La síntesis de voz es solo para Apple Silicon por ahora, con soporte para Windows y Linux listado como próximo.