VocalForge AI — Self-Hosted Text-to-Speech & Voice Cloning API

Concepto

VocalForge AI es un microservicio API-first que permite a empresas B2B construir una identidad de marca auditiva única sin depender de SaaS costosos como ElevenLabs. El producto ofrece:

• Text-to-Speech (TTS) de alta calidad usando modelos pre-entrenados.
• Clonación de voz zero-shot: sube 30 s de audio y genera síntesis

con esa voz en cualquier idioma.

• Control total: desplegable en la infraestructura del cliente via Docker.
• Privacidad de datos: el audio nunca sale de los servidores propios.

El modelo de negocio es Open Core: versión base de código abierto + licencia comercial para fine-tuning avanzado y soporte empresarial.

---

Arquitectura

┌─────────────────────────────────────────────────┐
│                  API Clients                     │
│  (SaaS apps, e-learning platforms, chatbots)    │
└────────────────────┬────────────────────────────┘
                     │  HTTP + X-API-Key
                     ▼
┌─────────────────────────────────────────────────┐
│           Spring Boot 4 API (Java 25)           │
│                                                 │
│  ┌─────────────┐  ┌──────────────┐  ┌────────┐ │
│  │VoiceController│ │ApiKeyController│ │Dashboard│ │
│  └──────┬──────┘  └──────┬───────┘  └───┬────┘ │
│         │                │               │      │
│  ┌──────▼──────┐  ┌──────▼───────┐  ┌───▼────┐ │
│  │ VoiceService│  │ ApiKeyService│  │Metrics │ │
│  └──────┬──────┘  └──────────────┘  └────────┘ │
│         │                                       │
│  ┌──────▼──────┐   Spring Security              │
│  │VoiceboxClient│  ApiKeyAuthFilter              │
│  │  (Feign)    │                                │
│  └──────┬──────┘                                │
│         │ HTTP (internal)                       │
└─────────┼───────────────────────────────────────┘
          │
          ▼
┌─────────────────────────────────────────────────┐
│     Python FastAPI — Voicebox Service           │
│                                                 │
│  POST /generate  — TTS inference               │
│  POST /clone     — Voice cloning registration  │
└─────────────────────────────────────────────────┘
          │
          ▼
  ┌───────────────┐      ┌──────────────────┐
  │ Shared Volume │      │  PostgreSQL 16    │
  │ (audio files) │      │  (metadata / JPA) │
  └───────────────┘      └──────────────────┘

Stack técnico

Capa	Tecnología
API REST	Spring Boot 4.0.4 / Java 25
Seguridad	Spring Security 7 + API keys opacas (SHA-256)
Persistencia	Spring Data JPA + H2 (dev) / PostgreSQL (prod)
HTTP client	Spring Cloud OpenFeign 4.2.1
Concurrencia	Java 25 Virtual Threads (Project Loom)
TTS/Clone	Python 3.12 + FastAPI + Voicebox model
Contenedores	Docker + Docker Compose

---

Endpoints

Autenticación pública

Método	Path	Descripción
%%INLINE0%%	%%INLINE1%%	Registra cuenta + genera primera API key

Ejemplo:

curl -X POST http://localhost:8080/api/v1/auth/register \
  -H "Content-Type: application/json" \
  -d '{"username": "acme-corp", "email": "dev@acme.com"}'

Respuesta (guardar rawApiKey — se muestra una sola vez):

{
  "userId": "550e8400-e29b-41d4-a716-446655440000",
  "username": "acme-corp",
  "rawApiKey": "vfai_abc123...",
  "keyPrefix": "vfai_abc123"
}

---

Text-to-Speech

Método	Path	Header requerido
%%INLINE3%%	%%INLINE4%%	X-API-Key: vfai_...

curl -X POST http://localhost:8080/api/v1/tts \
  -H "X-API-Key: vfai_abc123..." \
  -H "Content-Type: application/json" \
  -d '{"text": "Bienvenidos a VocalForge AI", "voiceId": null, "speed": 1.0}'

Respuesta:

{
  "audioUrl": "http://localhost:8000/audio/uuid.wav",
  "format": "audio/wav",
  "durationMs": 2400,
  "voiceId": null,
  "characterCount": 30,
  "mode": "LIVE"
}

Nota: mode: "MOCK" cuando el servicio Python no está disponible

(útil en desarrollo local sin Docker).

---

Clonación de voz (zero-shot)

Método	Path	Header requerido
%%INLINE7%%	%%INLINE8%%	X-API-Key: vfai_...

curl -X POST http://localhost:8080/api/v1/voices/clone \
  -H "X-API-Key: vfai_abc123..." \
  -F "audio=@sample.wav" \
  -F "name=CEO Voice" \
  -F "description=Clonado de muestra 30s"

Respuesta (%%INLINE10%% se usa como %%INLINE11%% en llamadas TTS):

{
  "id": "7a1b2c3d-...",
  "name": "CEO Voice",
  "description": "Clonado de muestra 30s",
  "externalVoiceId": "voice_a1b2c3d4e5f6",
  "createdAt": "2026-04-15T12:00:00"
}

---

Gestión de voces

Método	Path	Descripción
%%INLINE12%%	%%INLINE13%%	Lista perfiles de voz del API key

---

Gestión de API Keys

Método	Path	Descripción
%%INLINE14%%	%%INLINE15%%	Lista todas las keys activas de la cuenta
%%INLINE16%%	%%INLINE17%%	Crea una key adicional
%%INLINE18%%	%%INLINE19%%	Revoca una key

---

Dashboard de métricas

Método	Path	Descripción
%%INLINE20%%	%%INLINE21%%	Métricas de uso de la cuenta

{
  "totalRequests": 1240,
  "totalVoices": 3,
  "activeKeys": 2,
  "keyBreakdown": [
    { "keyPrefix": "vfai_abc1", "requests": 800, "active": true },
    { "keyPrefix": "vfai_def2", "requests": 440, "active": true }
  ]
}

---

Cómo ejecutar

Desarrollo local (Spring Boot solo, sin Docker)

# 1. Compilar y lanzar (usa H2 en memoria automáticamente)
./mvnw spring-boot:run

# 2. Registrarse y obtener API key
curl -X POST http://localhost:8080/api/v1/auth/register \
  -H "Content-Type: application/json" \
  -d '{"username": "test", "email": "test@test.com"}'

# 3. Llamar a TTS (modo MOCK si Python no está disponible)
curl -X POST http://localhost:8080/api/v1/tts \
  -H "X-API-Key: <rawApiKey>" \
  -H "Content-Type: application/json" \
  -d '{"text": "Hello VocalForge!"}'

La consola H2 está disponible en: http://localhost:8080/h2-console (JDBC URL: %%INLINE22%%, usuario: %%INLINE23%%, sin contraseña)

Stack completo con Docker Compose

# 1. Construir y arrancar todos los servicios
docker compose up --build

# 2. La API estará en http://localhost:8080
# 3. El servicio Python en http://localhost:8000
# 4. PostgreSQL en localhost:5432

Compilar solo el backend

mvn clean compile          # verificar que compila
mvn clean package -DskipTests  # generar JAR

---

Análisis de negocio

Problema resuelto

Los equipos de tecnología B2C gastan entre $500-$5.000/mes en APIs TTS de terceros (ElevenLabs, Azure, Google) con:

• Latencia elevada (redondeo de red externo)
• Riesgo de privacidad (audio procesado en servidores de terceros)
• Costes impredecibles a escala
• Sin diferenciación de marca auditiva

Propuesta de valor

Criterio	SaaS externo	VocalForge AI
Coste/1M caracteres	~$30-180	Fijo (infra propia)
Latencia	200-800 ms	<100 ms (local)
Privacidad	Datos en terceros	100% on-premise
Voz de marca	Genérica	Clonada y única

Modelo Open Core

• OSS (MIT): API REST + clonación básica + Docker deploy
• Comercial: Fine-tuning de alta calidad, SLA 99.9%, dashboard avanzado,

soporte enterprise, múltiples modelos (multilingual, emocional)

Tracción inicial sugerida

1. Publicar en GitHub y Product Hunt como "self-hosted ElevenLabs"
2. Integraciones con plataformas e-learning (Moodle, Canvas)
3. Freemium: 10.000 caracteres/mes gratis → conversión a licencia comercial

---

Referencias

• Voicebox (jamiepine): https://trendshift.io/repositories/21213
• Spring Boot 4.0.4: https://spring.io/projects/spring-boot
• Spring Cloud OpenFeign: https://spring.io/projects/spring-cloud-openfeign
• FastAPI: https://fastapi.tiangolo.com/
• Project Loom (Virtual Threads): https://openjdk.org/projects/loom/
• Jakarta EE 11: https://jakarta.ee/specifications/

---

Análisis FinOps para VocalForge AI

Modelo de Costos y Monetización

VocalForge AI opera bajo un modelo de 'Open Core', donde el producto principal (la solución de clonación de voz y TTS) es diseñado para ser auto-alojado (self-hosted) por el cliente. Esto significa que la mayor parte de la carga computacional intensiva asociada con la inferencia de modelos de IA recae en la infraestructura del cliente, no en la de VocalForge AI. La monetización se basa en la venta de licencias comerciales para funcionalidades avanzadas, uso en producción y soporte empresarial.

Estimación de Costos Operativos Mensuales (VocalForge AI)

Dado que VocalForge AI vende licencias de software y no un servicio SaaS de inferencia de IA, sus costos operativos directos son intrínsecamente bajos y se centran en el mantenimiento de su propia infraestructura de gestión de licencias, dashboard y API de administración.

• Tokens LLM: Se estima un uso muy bajo (~50K tokens/mes) para tareas internas y auxiliares (ej. procesamiento de texto para el dashboard, soporte, documentación). Esto se traduce en un costo marginal de aproximadamente $1/mes utilizando un modelo económico como gpt-4o-mini.
• Infraestructura Cloud (AWS Baseline):

* EC2: Una instancia t3.small (~$30/mes) para alojar la aplicación Spring Boot (gestión de licencias, dashboard) y posiblemente un pequeño servicio Python para tareas administrativas. * Base de Datos (RDS PostgreSQL): Una instancia db.t3.micro (~$15/mes) para la persistencia de usuarios, claves de API y perfiles de voz. * Almacenamiento de Objetos (S3): Aproximadamente $2/mes para almacenar metadatos, muestras de audio temporales o datos de licencias (asumiendo ~10GB de almacenamiento y ~50GB de transferencia). * Redes y Otros: Un buffer de $8/mes para transferencias de datos, CloudWatch logs y servicios menores.

• Costo Total de Infraestructura: $56/mes.

Estimación de Ingresos Mensuales

Dirigido a CTOs y Jefes de Producto en startups y empresas de tecnología, se proyecta un precio de licencia comercial de $199/mes por cliente. Para una micro-startup en fase MVP, un objetivo inicial de 5 clientes de pago es realista.

Ingreso Mensual Estimado: 5 clientes $199/mes = $995/mes.

Margen de Beneficio

• Ingresos: $995/mes
• Costos Operativos: $56/mes
• Beneficio: $995 - $56 = $939/mes

Margen de Beneficio: ($939 / $995) 100 = 94.4%

Este alto margen de beneficio es una característica inherente del modelo de negocio de VocalForge AI, donde los costos de cómputo intensivo son asumidos por los clientes que auto-alojan la solución. Los costos de VocalForge AI se mantienen bajos al enfocarse en el software de gestión y licenciamiento.

Estrategias de Optimización FinOps

Para mantener este margen saludable y asegurar la escalabilidad de costos a medida que la base de clientes crece, VocalForge AI debería considerar las siguientes optimizaciones:

1. Derecho de dimensionamiento (Right-sizing) de la infraestructura: Monitorear de cerca el uso real de las instancias EC2 y RDS. Si el tráfico al dashboard y la API de gestión es bajo, se pueden reducir los costos escalando a instancias más pequeñas (ej. %%INLINE27%% o %%INLINE28%% para Spring Boot).
2. Uso de servicios serverless para componentes esporádicos: Para tareas de backend del dashboard que no requieran un servidor siempre encendido (ej. procesamiento de métricas por lotes, generación de reportes, envío de notificaciones), explorar el uso de funciones serverless como AWS Lambda o Google Cloud Functions. Esto permite pagar solo por el tiempo de cómputo real.
3. Optimización de almacenamiento S3: Implementar políticas de ciclo de vida para archivar o eliminar automáticamente datos antiguos (ej. muestras de voz temporales, logs de uso agregados) que ya no sean necesarios. Esto reduce los costos de almacenamiento a largo plazo.
4. Minimizar o eliminar APIs externas: Mantener una dependencia mínima de APIs de LLM externas. Su costo puede escalar rápidamente si el uso interno aumenta o si se introducen nuevas funcionalidades que las requieran. Priorizar soluciones locales o de código abierto siempre que sea posible para tareas internas.
5. Adopción de planes de ahorro (Reserved Instances/Savings Plans): Una vez que la carga de trabajo y el compromiso de infraestructura sean predecibles (ej. después de 6-12 meses de operación), considerar la compra de instancias reservadas o planes de ahorro para EC2 y RDS. Esto puede reducir significativamente los costos de infraestructura a largo plazo (hasta un 30-60%) a cambio de un compromiso de uso.