Was ist Chatterbox?
Chatterbox ist eine Familie offener Text-to-Speech-Modelle von Resemble AI, veröffentlicht unter der MIT-Lizenz. Das aktuelle Flaggschiff, Chatterbox Multilingual V3, hat 0,5 Milliarden Parameter auf einem Llama-Backbone und deckt 23 Sprachen ab, mit eigenen Feinabstimmungen für Chinesisch, Hindi sowie regionales Spanisch und Portugiesisch. Chatterbox-Turbo, ein englisches Modell mit 350 Millionen Parametern vom Dezember 2025, zielt auf Voice Agents mit niedriger Latenz und versteht Tags wie [laugh] und [cough]; Chatterbox-Nano mit 110 Millionen läuft auf einer CPU.
Alle Varianten klonen eine Stimme aus einem kurzen Referenzclip, und das ursprüngliche Modell bietet zusätzlich einen Regler 'exaggeration' für die emotionale Intensität. Laut Resemble wurden die Modelle mit 0,5 Millionen Stunden bereinigtem Audio trainiert. Die Hugging-Face-Hauptseite verzeichnet rund 1,8 Millionen Downloads im vergangenen Monat.
Was kostet Chatterbox?
| Tarif | Preis | Was enthalten ist |
|---|---|---|
| Self-hosted | Free | MIT-Lizenz |
| Hosted Chatterbox | $25 per million characters | Eintrag bei Artificial Analysis |
| Chatterbox HD (Resemble) | $40 per million characters | Eintrag bei Artificial Analysis |
Kostenlos unter der MIT-Lizenz. Artificial Analysis führt gehostetes Chatterbox mit 25 $ und Resembles Chatterbox HD mit 40 $ pro Million Zeichen.
Lohnt sich Chatterbox?
Chatterbox wird wegen seiner Lizenz und seines Wasserzeichens gewählt, nicht wegen seines Klangs. In der Arena von Artificial Analysis steht das offene Modell mit 1.024 Elo auf Platz 78 von 98, unter Kokoro mit 1.065, während Fish Audio Drama 3 Preview die offenen Modelle mit 1.248 anführt. Resembles gehostetes Chatterbox HD schneidet mit 1.109 besser ab. Die Behauptung in der Model Card, Chatterbox schlage ElevenLabs, beruht auf Resembles eigenem Podonos-Vergleich, nicht auf einer unabhängigen Arena.
Gegen Missbrauch tut es mehr als die meisten offenen Modelle. Jeder Clip trägt Resembles Perth-Wasserzeichen, das laut Unternehmen MP3-Kompression und Bearbeitung mit einer Erkennungsrate von fast 100 % übersteht, und das Repository liefert ein kurzes Skript mit, das es als 0,0 oder 1,0 ausliest. Der Schutz hat Grenzen: Das Wasserzeichen wird in offenem Code gesetzt, den jeder ändern kann, die einzige Nutzungsrichtlinie ist ein einzeiliger Hinweis ('Don't use this model to do bad things'), und nichts prüft eine Einwilligung, bevor eine Stimme geklont wird.
Die Familie deckt inzwischen ein breiteres Hardware-Spektrum ab als die meisten offenen TTS-Projekte. Nano mit 110 Millionen Parametern läuft auf acht CPU-Kernen dreimal schneller als Echtzeit; Turbo mit 350 Millionen destilliert den Decoder für Voice Agents von zehn Schritten auf einen; Multilingual V3 bewältigt mit 500 Millionen 23 Sprachen. Eine Falle für Entwickler: Der mehrsprachige Loader greift standardmäßig noch auf den älteren V2-Checkpoint zurück, solange du nicht t3_model="v3" übergibst.
Bei der Latenz ist die Faktenlage dünner, als das Marketing nahelegt. Der Wert 'sub 200ms' in den Model Cards beschreibt Resembles kostenpflichtigen gehosteten Dienst, und für die offenen Gewichte sind weder Latenz- noch VRAM-Werte veröffentlicht. Auch sprachübergreifendes Klonen braucht Sorgfalt: Weicht die Sprache des Referenzclips von der Zielsprache ab, übernimmt die Ausgabe den Akzent des Clips, sofern CFG nicht auf null gesetzt ist.
Wo es sich lohnt
Ein Voice-Agent-Start-up, das englische Telefon-Bots auf eigenen GPUs betreibt
Antworten in einer geklonten Markenstimme sprechen, ohne Gebühren pro Zeichen
Nutze Turbo, dessen Ein-Schritt-Decoder für Agenten gebaut ist, mit einem Referenzclip von etwa zehn Sekunden. Self-Hosting kostet nichts pro Zeichen; zum Satz von Artificial Analysis von 40 $ pro Million Zeichen für gehostetes Chatterbox HD würden 50 Mio. Zeichen im Monat 2.000 $ kosten.
Eine Trust-and-Safety-Leiterin bei einem Medienunternehmen mit synthetischer Sprecherstimme
Nachweisen, welche Audioclips aus der eigenen Pipeline stammen
Lass den Perth-Detektor über ausgehendes und strittiges Audio laufen; er liefert 1,0 für Dateien mit Wasserzeichen. Weil das Wasserzeichen in offenem Code gesetzt wird, kennzeichnet es ehrliche Nutzung, hält aber keinen entschlossenen Fälscher auf.
Ein E-Learning-Unternehmen, das Kurse auf Hindi, Spanisch und Portugiesisch lokalisiert
Die Stimme eines Sprechers über alle Sprachen hinweg beibehalten
Lade Multilingual V3 mit t3_model="v3" oder die Dialekt-Feinabstimmungen für Hindi, lateinamerikanisches Spanisch und brasilianisches Portugiesisch, und setze CFG auf null, wenn der Referenzclip in einer anderen Sprache ist, damit kein Akzent durchschlägt.
Ein Entwickler, der eine Offline-Lese-App für Laptops baut
Sprache auf der CPU erzeugen, ohne Server
Chatterbox-Nano lädt über die Turbo-Klasse mit nano=True und läuft laut Resemble auf acht CPU-Kernen dreimal schneller als Echtzeit. Es kann nur Englisch, mehrsprachige Apps brauchen also weiterhin das Modell mit 500 Mio. Parametern.
Bevor du dich festlegst
- Einrichtung
- pip install chatterbox-tts; Resemble testet mit Python 3.11 und Debian 11, und die Modelle laufen auf CUDA, CPU oder Apple MPS. Klonen braucht einen Referenzclip; das Beispiel nutzt etwa zehn Sekunden.
- Integrationen
- Python-Paket und Gewichte auf Hugging Face; fal ist als Inferenzanbieter gelistet, und Resemble verkauft ein gehostetes Chatterbox HD mit niedrigerer Latenz.
- Daten und Datenschutz
- Selbst gehostet, Text und Referenzaudio bleiben also lokal. MIT-Lizenz ohne Umsatzgrenzen; die einzige Nutzungsrichtlinie lautet 'Don't use this model to do bad things', und es gibt keine Einwilligungsprüfung für geklonte Stimmen.
- Kosten im großen Maßstab
- Kostenlose Gewichte; die Kosten sind Rechenleistung, und Nano läuft auf der CPU. Artificial Analysis führt gehostetes Chatterbox mit 25 $ und Chatterbox HD mit 40 $ pro Million Zeichen, gegenüber 0,65 $ für gehostetes Kokoro.
- Grenzen
- Für die offenen Modelle sind weder Latenz noch VRAM noch maximale Textlänge veröffentlicht. Turbo und Nano können nur Englisch, und abweichende Referenz- und Zielsprachen führen zu durchschlagendem Akzent, sofern CFG nicht null ist.
Was gut ist
- MIT-Lizenz, kommerzielle Nutzung eingeschlossen
- Perth-Wasserzeichen in jedem Clip, mit Erkennungsskript
- Nano (110 Mio.) läuft auf 8 CPU-Kernen 3x schneller als Echtzeit
- 23 Sprachen in Multilingual V3, dazu Feinabstimmungen für Dialekte
Was nicht
- Platz 78 von 98 in der Arena von Artificial Analysis für das offene Modell
- Keine Einwilligungsprüfung vor dem Klonen einer Stimme
- Keine veröffentlichten Latenz- oder VRAM-Werte für die offenen Modelle
- Der mehrsprachige Loader greift ohne Angabe auf V2 zurück
Am besten für
Teams, die kommerziell nutzbares offenes Voice Cloning mit Herkunftskennzeichnung brauchen und Stimmqualität aus dem Mittelfeld akzeptieren.
Alternativen zu Chatterbox
Chatterbox: häufige Fragen
- Lohnt sich Chatterbox?
- Chatterbox ist dank seines Wasserzeichens der offene Stimmenkloner, den ein Compliance-Team abnehmen kann, aber nicht der, den Zuhörer wählen würden. Wir bewerten es mit 3.7 von 5.
- Was kostet Chatterbox?
- Kostenlos unter der MIT-Lizenz. Artificial Analysis führt gehostetes Chatterbox mit 25 $ und Resembles Chatterbox HD mit 40 $ pro Million Zeichen.
- Welche Nachteile hat Chatterbox?
- Platz 78 von 98 in der Arena von Artificial Analysis für das offene Modell; Keine Einwilligungsprüfung vor dem Klonen einer Stimme; Keine veröffentlichten Latenz- oder VRAM-Werte für die offenen Modelle; Der mehrsprachige Loader greift ohne Angabe auf V2 zurück.
- Für wen eignet sich Chatterbox?
- Teams, die kommerziell nutzbares offenes Voice Cloning mit Herkunftskennzeichnung brauchen und Stimmqualität aus dem Mittelfeld akzeptieren.
- Was kostet Chatterbox für ein Team oder im Produktivbetrieb?
- Kostenlose Gewichte; die Kosten sind Rechenleistung, und Nano läuft auf der CPU. Artificial Analysis führt gehostetes Chatterbox mit 25 $ und Chatterbox HD mit 40 $ pro Million Zeichen, gegenüber 0,65 $ für gehostetes Kokoro.
- Ist Chatterbox sicher für Firmendaten?
- Selbst gehostet, Text und Referenzaudio bleiben also lokal. MIT-Lizenz ohne Umsatzgrenzen; die einzige Nutzungsrichtlinie lautet 'Don't use this model to do bad things', und es gibt keine Einwilligungsprüfung für geklonte Stimmen.
- Was sind die besten Alternativen zu Chatterbox?
- Die nächsten Alternativen, die wir getestet haben, sind Kokoro-82M, Qwen3-TTS, Eleven v4 and v4 Turbo und OmniVoice.
Antworten geprüft am 22. Okt. 2026.