Chatterbox TTS o SuperClonica: clonación al instante o un archivo de voz entrenado
Chatterbox es una familia de modelos abiertos de texto a voz de Resemble AI, con licencia MIT. Todos clonan una voz zero-shot a partir de un audio de referencia corto. La familia incluye Multilingual V3, con 500 millones de parámetros y 23 idiomas; Turbo, en inglés, con 350 millones; Nano, también en inglés, con 110 millones para CPU, y un conjunto de modelos ajustados para idiomas concretos.
SuperClonica va por el camino contrario: la voz se entrena una vez en un archivo de Supertonic 3 y luego funciona rápido en un procesador normal. Chatterbox no está en nuestra tabla comparativa, así que no damos cifras propias de velocidad ni de calidad para él.
Los modelos de Chatterbox
Multilingual V3 es el modelo general: árabe, danés, alemán, griego, inglés, español, finés, francés, hebreo, hindi, italiano, japonés, coreano, malayo, neerlandés, noruego, polaco, portugués, ruso, sueco, suajili, turco y chino. Hay modelos ajustados aparte para chino, español latinoamericano y de España, portugués de Brasil y de Portugal, e hindi.
Turbo está pensado para agentes de voz en inglés con baja latencia y entiende etiquetas como [laugh] y [cough]. Nano comparte su arquitectura con 110 millones de parámetros, y Resemble AI indica que va 3 veces más rápido que el tiempo real con 8 núcleos de CPU. El paquete se instala con pip install chatterbox-tts y se probó con Python 3.11.
Clonar desde un clip o una voz entrenada
Con Chatterbox pasas una grabación de referencia en cada petición y el modelo reconstruye la voz a partir de ella. Es el camino más rápido hacia una voz nueva, y el resultado depende del clip que uses.
SuperClonica entrena la voz una sola vez. Necesitas una grabación limpia de 5 a 10 segundos con su transcripción exacta y una GPU NVIDIA en tu propio equipo; el entrenamiento es gratis y el JSON se descarga gratis. Sin GPU, encarga la voz a un autor, con el presupuesto reservado hasta que aceptas el resultado, o elige una voz lista con demos en el catálogo. Después, cada petición parte del mismo archivo.
Velocidad de Chatterbox en CPU
No hemos medido Chatterbox. La cifra de Resemble AI para Nano es 3 veces más rápido que el tiempo real con 8 núcleos de CPU; los ejemplos de los modelos más grandes se ejecutan con CUDA.
Para SuperClonica estimamos entre 6,4 y 9,7 veces más rápido que el tiempo real en un CPU de escritorio de 8 núcleos. Las dos cifras salen de pruebas y textos distintos, así que tómalas como punto de partida y mide en tu propio equipo.
Licencias y marcas de agua
El código y los pesos de Chatterbox tienen licencia MIT, una de las más permisivas que existen. Cada archivo que genera Chatterbox lleva la marca de agua PerTh de Resemble AI, una marca inaudible pensada para resistir la compresión MP3 y la edición, de modo que la voz se pueda reconocer después como generada.
Supertonic 3 está bajo OpenRAIL-M, una licencia libre de regalías con una lista de usos prohibidos. Las voces compradas en SuperClonica son para tus propios proyectos y no se pueden revender.
Cuándo conviene más Chatterbox
SuperClonica encaja si quieres un archivo de voz fijo, texto a voz rápido en CPU en los 31 idiomas de Supertonic 3 o una voz hecha para ti por un autor. Chatterbox es mejor para:
- Clonar voz al instante desde un clip, sin entrenar.
- Chino, hebreo, malayo o suajili, que Supertonic 3 no cubre.
- Inglés expresivo con risas, toses y otras etiquetas no verbales.
- Proyectos que necesitan la licencia MIT para los pesos del modelo.