Chatterbox TTS 与 SuperClonica：即时克隆还是训练好的音色文件
Chatterbox 是 Resemble AI 推出的一系列开源文字转语音模型，采用 MIT 许可证。每个模型都能用一小段参考音频零样本克隆声音。这个系列包括：5 亿参数、支持 23 种语言（含中文）的 Multilingual V3，3.5 亿参数的英语 Turbo，面向 CPU 的 1.1 亿参数英语 Nano，以及若干单语言微调模型，其中有专门的普通话模型。
SuperClonica 走的是相反的路：声音一次性训练成 Supertonic 3 文件，之后在普通 CPU 上快速运行，但 Supertonic 3 目前不支持中文。Chatterbox 不在我们的对比表中，我们不给出自己的速度或音质评分。
Chatterbox 的各个模型
Multilingual V3 是通用模型，支持阿拉伯语、丹麦语、德语、希腊语、英语、西班牙语、芬兰语、法语、希伯来语、印地语、意大利语、日语、韩语、马来语、荷兰语、挪威语、波兰语、葡萄牙语、俄语、瑞典语、斯瓦希里语、土耳其语和中文。另有单独微调的模型，覆盖普通话、拉美和西班牙西班牙语、巴西和葡萄牙葡萄牙语以及印地语。
Turbo 面向低延迟的英语语音助手，支持 [laugh]、[cough] 等标签。Nano 与 Turbo 架构相同，参数 1.1 亿；据 Resemble AI 介绍，它在 8 个 CPU 核心上可达实时速度的 3 倍。安装命令是 pip install chatterbox-tts，在 Python 3.11 上测试过。
用一段音频克隆，还是训练好的音色
使用 Chatterbox 时，每次请求都要附上参考录音，模型据此重建声音。这是得到新声音最快的方式，结果取决于您给的音频。
SuperClonica 只训练一次。需要一段 5 到 10 秒、带准确文本的干净录音，以及您自己电脑上的 NVIDIA 显卡；训练免费，JSON 也免费下载。没有显卡的话，可以请作者定制，预算冻结到您接受结果为止，或者在目录里挑带试听的现成音色。之后每次请求都从同一个文件出发。这些都限于 Supertonic 3 支持的语言，不含中文。
Chatterbox 在 CPU 上的速度
我们没有实测过 Chatterbox。Resemble AI 给出的 Nano 数据是在 8 个 CPU 核心上达到实时速度的 3 倍；更大的模型的示例都在 CUDA 上运行。
SuperClonica 按我们的估算，在 8 核台式机 CPU 上是实时速度的 6.4–9.7 倍。两组数据来自不同的测试和文本，只能作为参考，请在自己的电脑上实测。
许可证与水印
Chatterbox 的代码和权重都采用 MIT，是最宽松的许可证之一。Chatterbox 生成的每个文件都带有 Resemble AI 的 PerTh 水印，这是一种听不见的标记，设计上能经受 MP3 压缩和剪辑，便于事后识别合成语音。
Supertonic 3 采用 OpenRAIL-M，免授权费，附有禁止用途清单。在 SuperClonica 购买的音色用于您自己的项目，不能转售。
什么时候选 Chatterbox 更好
如果您想要固定的音色文件、在 CPU 上快速合成 Supertonic 3 支持的 31 种语言，或者请作者为您制作音色，SuperClonica 更合适。以下情况选 Chatterbox：
- 中文语音合成，Supertonic 3 目前不支持中文，而 Chatterbox 有专门的普通话模型。
- 用一段音频即时克隆，不需要训练。
- 带笑声、咳嗽等非语言标签的英语表现力语音。
- 项目需要模型权重采用 MIT 许可证。