摘要
1) 一句话总结 Chatterbox 是由 Resemble AI 开源的先进文本转语音（TTS）模型系列，提供低延迟的 Turbo 版本（350M参数）和支持 23 种以上语言的多语种版本（500M参数），并内置了用于安全追踪的隐形水印功能。
2) 核心要点
- 模型矩阵：提供三款模型，包括 Chatterbox-Turbo（350M参数，英文）、Chatterbox-Multilingual（500M参数，23+语言）以及初代 Chatterbox（500M参数，英文）。
- Turbo 版本优化：Turbo 模型将语音 token 到 mel 频谱的解码步骤从 10 步压缩至 1 步，大幅降低了算力和显存需求，专为低延迟语音代理设计。
- 副语言标签支持：Turbo 模型原生支持副语言标签（如
[cough]咳嗽、[laugh]大笑、[chuckle]轻笑），以增强语音的真实感。 - 多语种与零样本克隆：多语种版本支持零样本（Zero-shot）声音克隆，覆盖中文、英文、法文、日文等 23 种以上的语言。
- 内置隐形水印：所有生成的音频均强制嵌入 PerTh（感知阈值）神经水印，该水印在 MP3 压缩和常规音频编辑后仍能保持近 100% 的检测准确率，并提供了配套的水印提取脚本。
- 生成控制：用户可以通过调整
cfg_weight和exaggeration参数来微调语音的语速、节奏和情感表现力（例如降低cfg_weight并提高exaggeration可生成更具戏剧性的语音）。 - 公开评估：官方使用 Podonos 平台对 Turbo 模型进行了标准化主观评估，并公开了与 ElevenLabs Turbo v2.5、Cartesia Sonic 3 和 VibeVoice 7B 的对比报告。
- 技术栈与协议：项目基于 Python 开发（测试环境为 Python 3.11 和 Debian 11），采用宽松的 MIT 开源协议，可通过
pip install chatterbox-tts快速安装。
3) 风险与不足
- 口音继承问题：在进行多语种生成时，如果参考音频与指定的语言标签不匹配，输出的语音可能会带有参考音频语言的口音（官方建议将
cfg_weight设为 0 以缓解此问题）。 - 数据与合规风险：官方免责声明指出，模型的提示词来源于互联网上的免费公开数据，明确警告用户不得将该模型用于恶意用途。
功能与定位
SoTA open-source TTS
典型使用场景
- 用于快速搭建 AI 应用、工作流或服务化能力。
- 作为上层产品的能力底座，统一模型调用与业务集成。
核心功能
- 提供应用框架或平台化能力。
- 支持模型接入、流程编排或接口服务化。
- 面向开发与部署提供基础工程支持。
特色与差异点
- 仓库长期活跃，最近更新时间为 2026-02-22T11:01:21Z。
- 项目创建于 2025-04-23T08:16:38Z，具备持续迭代与社区沉淀。
- 以
Python为主语言，聚焦该技术栈的工程实践。
使用方式概览
- 阅读仓库 README 与官方文档，确认适配场景与依赖条件。
- 按项目推荐方式完成安装与初始化，再从示例或最小流程开始验证。
- 在生产使用前补齐权限控制、日志监控和版本固定策略。
限制与注意事项
- 使用前应先核对许可证、项目维护状态与安全边界。
链接
- 仓库：https://github.com/resemble-ai/chatterbox
- 官网：https://resemble-ai.github.io/chatterbox_demopage/
- README：https://raw.githubusercontent.com/resemble-ai/chatterbox/master/README.md
- Releases：https://github.com/resemble-ai/chatterbox/releases