Chatterbox TTS oder SuperClonica: sofortiger Klon oder trainierte Stimmdatei
Chatterbox ist eine Familie offener Text-to-Speech-Modelle von Resemble AI unter MIT-Lizenz. Jedes Modell klont eine Stimme zero-shot aus einem kurzen Referenzclip. Zur Familie gehören Multilingual V3 mit 500 Millionen Parametern und 23 Sprachen, das englische Turbo-Modell mit 350 Millionen, das englische Nano-Modell mit 110 Millionen für die CPU und eine Reihe nachtrainierter Einzelsprachmodelle.
SuperClonica geht den umgekehrten Weg: Eine Stimme wird einmal in eine Supertonic-3-Datei trainiert und läuft danach schnell auf einer gewöhnlichen CPU. Chatterbox steht nicht in unserer Vergleichstabelle, eigene Tempo- oder Qualitätswerte nennen wir dafür nicht.
Die Chatterbox-Modelle
Multilingual V3 ist das allgemeine Modell: Arabisch, Dänisch, Deutsch, Griechisch, Englisch, Spanisch, Finnisch, Französisch, Hebräisch, Hindi, Italienisch, Japanisch, Koreanisch, Malaiisch, Niederländisch, Norwegisch, Polnisch, Portugiesisch, Russisch, Schwedisch, Swahili, Türkisch und Chinesisch. Eigene Feintunings gibt es für Chinesisch, lateinamerikanisches und europäisches Spanisch, brasilianisches und europäisches Portugiesisch sowie Hindi.
Turbo zielt auf englische Sprachagenten mit niedriger Latenz und versteht Tags wie [laugh] und [cough]. Nano teilt die Architektur bei 110 Millionen Parametern; laut Resemble AI läuft es auf 8 CPU-Kernen 3-mal schneller als Echtzeit. Das Paket wird mit pip install chatterbox-tts installiert und wurde mit Python 3.11 getestet.
Klon aus einem Clip oder trainierte Stimme
Bei Chatterbox übergeben Sie mit jeder Anfrage eine Referenzaufnahme, und das Modell baut die Stimme daraus neu auf. Das ist der schnellste Weg zu einer neuen Stimme, und das Ergebnis hängt vom Clip ab.
SuperClonica trainiert die Stimme einmal. Sie brauchen eine saubere Aufnahme von 5 bis 10 Sekunden mit exaktem Transkript und eine NVIDIA-GPU im eigenen Rechner; das Training ist kostenlos, die JSON-Datei ebenfalls. Ohne GPU beauftragen Sie einen Autor, das Budget bleibt reserviert, bis Sie das Ergebnis annehmen, oder Sie wählen eine fertige Stimme mit Hörproben aus dem Katalog. Danach startet jede Anfrage von derselben Datei.
Chatterbox-Tempo auf der CPU
Chatterbox haben wir nicht gemessen. Resemble AI nennt für Nano 3-mal schneller als Echtzeit auf 8 CPU-Kernen; die Beispiele für die größeren Modelle laufen auf CUDA.
Für SuperClonica schätzen wir 6,4- bis 9,7-mal schneller als Echtzeit auf einer Desktop-CPU mit 8 Kernen. Beide Zahlen stammen aus unterschiedlichen Tests mit unterschiedlichen Texten; nehmen Sie sie als Ausgangspunkt und messen Sie auf Ihrem Rechner.
Lizenzen und Wasserzeichen
Code und Gewichte von Chatterbox stehen unter MIT, einer der freiesten Lizenzen überhaupt. Jede von Chatterbox erzeugte Datei trägt das PerTh-Wasserzeichen von Resemble AI, eine unhörbare Markierung, die MP3-Kompression und Schnitt überstehen soll, damit sich die Sprache später als synthetisch erkennen lässt.
Supertonic 3 steht unter OpenRAIL-M, einer gebührenfreien Lizenz mit einer Liste verbotener Nutzungen. Bei SuperClonica gekaufte Stimmen sind für Ihre eigenen Projekte bestimmt und dürfen nicht weiterverkauft werden.
Wann Chatterbox die bessere Wahl ist
SuperClonica passt, wenn Sie eine feste Stimmdatei wollen, schnelle Sprachausgabe auf der CPU in den 31 Sprachen von Supertonic 3 oder eine Stimme, die ein Autor für Sie anfertigt. Chatterbox ist besser für:
- Sofortiges Klonen aus einem Clip, ohne Training.
- Chinesisch, Hebräisch, Malaiisch oder Swahili, die Supertonic 3 nicht abdeckt.
- Ausdrucksstarkes Englisch mit Lachen, Husten und anderen nonverbalen Tags.
- Projekte, die für die Modellgewichte die MIT-Lizenz brauchen.