¿Qué es ChatTTS?
ChatTTS es un modelo de texto a voz de 2noise creado para el diálogo hablado, como la voz de un asistente basado en un LLM, en chino e inglés. Puedes insertar en el texto tokens de control como [laugh], [uv_break] y [lbreak], o fijar a nivel de frase el grado de oralidad, risa y pausas, y muestrear un speaker embedding aleatorio para obtener una voz nueva. La salida es audio a 24 kHz.
El equipo dice que su modelo principal se entrenó con más de 100.000 horas de audio en chino e inglés, pero la versión abierta es un modelo base de 40.000 horas sin fine-tuning supervisado. Los pesos en Hugging Face se actualizaron por última vez en octubre de 2024. Para disuadir abusos, los autores añadieron una pequeña cantidad de ruido de alta frecuencia durante el entrenamiento y comprimieron el audio en MP3, así que el modelo abierto suena peor a propósito.
Las licencias son lo primero que hay que leer. El código es AGPLv3 o posterior, que te obliga a publicar tu código fuente si ofreces una versión modificada como servicio en red. Los pesos del modelo son CC BY-NC 4.0, y el README dice que son solo para uso académico y de investigación, no comercial. El repositorio tiene unas 40.000 estrellas; v0.2.5, publicada el 10 de abril de 2026, es la última versión y el último commit.
¿Merece la pena ChatTTS?
ChatTTS es una herramienta de investigación para el habla conversacional, y su licencia convierte eso en un límite firme y no en una sugerencia. Los pesos CC BY-NC 4.0 prohíben el uso comercial, el código AGPLv3+ obliga a compartir el código fuente a quien sirva una versión modificada por red, y 2noise no publica ninguna licencia comercial que se pueda comprar. Una startup que construya un asistente de voz de pago no puede lanzarlo con él.
Dentro de ese límite hace algo que muchos modelos de voz abiertos aún hacen mal: suena a conversación y no a lectura. El control de la prosodia funciona en dos niveles. Un prompt a nivel de frase como [oral_2][laugh_0][break_6] fija cuánto charla, ríe y hace pausas la voz, y los tokens a nivel de palabra colocan una risa o una pausa exactamente donde quieres. El muestreo aleatorio de hablantes da voces nuevas, y el embedding guardado recupera la misma voz más tarde.
La pega: el modelo abierto no es el que describe el equipo. Es una base de 40.000 horas sin fine-tuning, frente a un modelo principal entrenado con más de 100.000 horas, y los autores añadieron a propósito ruido de alta frecuencia y compresión MP3. Las FAQ admiten la inestabilidad propia de los modelos autorregresivos, como una voz que cambia de hablante o una calidad de audio que cae, y sugieren generar varias muestras y quedarse con una. Solo admite inglés y chino, y el README considera el inglés experimental. Las FAQ citan al menos 4GB de memoria de GPU para un clip de 30 segundos y un factor de tiempo real de unos 0.3 en una RTX 4090.
El mantenimiento se ha reducido a lo básico. v0.2.5, en abril de 2026, arregló fallos con versiones nuevas de Transformers y añadió soporte parcial de DirectML; los pesos no han cambiado desde octubre de 2024, y el control de múltiples emociones de la hoja de ruta no ha llegado. Hay unos 60 issues abiertos.
Nuestra opinión: ChatTTS es una buena referencia de cómo debería sonar la prosodia conversacional, igual que un prototipo de coche muestra hacia dónde va un diseño; cualquier cosa que pienses vender necesita un modelo con licencia permisiva.
Dónde se gana su sitio
Una investigadora de voz en un laboratorio universitario
Comparar cómo cambian los tokens de prosodia la naturalidad percibida en un diálogo
Genera los mismos guiones con y sin los tokens [laugh] y [uv_break], fija el speaker embedding para que solo varíe la prosodia y haz una prueba de escucha. Gratis bajo CC BY-NC 4.0 para trabajo académico; basta una GPU de 4GB.
Un aficionado que construye en local un bot de compañía que habla chino
Dar a las respuestas de un LLM una voz que suene a charla informal
Pasa el texto del LLM a chat.infer con un speaker embedding guardado y una temperatura baja para que sea consistente. Solo uso personal no comercial; cuenta con regenerar algún clip inestable.
Antes de decidirte
- Puesta en marcha
- pip install ChatTTS (o clona el repositorio e instala requirements.txt, con Python 3.11 en el ejemplo de conda). chat.load() descarga los pesos desde Hugging Face; examples/web/webui.py arranca una interfaz web local y examples/cmd/run.py escribe archivos MP3.
- Integraciones
- API de Python con inferencia por lotes; vLLM opcional en Linux; generación en streaming; pesos en Hugging Face. Las interfaces de la comunidad están en el índice Awesome-ChatTTS, no en el repositorio principal.
- Datos y privacidad
- Funciona totalmente en local; el texto no se envía a ningún sitio. El código es AGPLv3+ y los pesos CC BY-NC 4.0, para uso académico y de investigación según el README. Los autores dicen haber entrenado un detector para su audio, pero no lo han publicado.
- Coste a escala
- No hay edición de pago ni licencia comercial, así que no hay un coste legal de producción que citar. El uso en investigación necesita al menos una GPU de 4GB según las FAQ.
- Límites
- Solo inglés y chino, con el inglés experimental; solo [laugh], [uv_break] y [lbreak] como tokens a nivel de palabra; la inestabilidad autorregresiva obliga a reintentar; factor de tiempo real de unos 0.3 en una RTX 4090; el README marca TransformerEngine y FlashAttention-2 como opciones que no hay que instalar.
Lo bueno
- Control de risa, pausas y oralidad a nivel de frase y de palabra
- Prosodia ajustada al diálogo, que los autores sitúan por encima de la mayoría de modelos TTS abiertos
- Muestreo aleatorio de hablantes con embeddings de voz reutilizables
- pip install ChatTTS, más una interfaz web y un ejemplo de línea de comandos
Lo malo
- Pesos CC BY-NC 4.0: sin uso comercial ni licencia de pago
- El código AGPLv3+ obliga a publicar el código fuente de servicios en red modificados
- El modelo abierto es una base de 40.000 horas con ruido deliberado y compresión MP3
- El inglés es experimental; pesos sin cambios desde octubre de 2024
Ideal para
Investigadores y aficionados que estudian el habla conversacional en chino o inglés y que nunca usarán el resultado en un producto comercial.
Alternativas a ChatTTS
ChatTTS: preguntas frecuentes
- ¿Merece la pena ChatTTS?
- ChatTTS todavía da a un agente de voz de investigación risas y pausas convincentes en chino e inglés, pero sus pesos no comerciales, la degradación deliberada del audio y un modelo intacto desde 2024 lo descartan para productos. Le damos un 3.4 sobre 5.
- ¿Cuánto cuesta ChatTTS?
- Gratis. El código es AGPLv3+; los pesos del modelo son CC BY-NC 4.0, así que no se permite el uso comercial. No hay licencia de pago ni comercial publicada.
- ¿Qué inconvenientes tiene ChatTTS?
- Pesos CC BY-NC 4.0: sin uso comercial ni licencia de pago; el código AGPLv3+ obliga a publicar el código fuente de servicios en red modificados; el modelo abierto es una base de 40.000 horas con ruido deliberado y compresión MP3; el inglés es experimental; pesos sin cambios desde octubre de 2024.
- ¿Para quién es ChatTTS?
- Investigadores y aficionados que estudian el habla conversacional en chino o inglés y que nunca usarán el resultado en un producto comercial.
- ¿Cuánto cuesta ChatTTS para un equipo o en producción?
- No hay edición de pago ni licencia comercial, así que no hay un coste legal de producción que citar. El uso en investigación necesita al menos una GPU de 4GB según las FAQ.
- ¿Es ChatTTS seguro para los datos de la empresa?
- Funciona totalmente en local; el texto no se envía a ningún sitio. El código es AGPLv3+ y los pesos CC BY-NC 4.0, para uso académico y de investigación según el README. Los autores dicen haber entrenado un detector para su audio, pero no lo han publicado.
- ¿Cuáles son las mejores alternativas a ChatTTS?
- Las alternativas más cercanas que hemos analizado son VibeVoice y audio.cpp.
Respuestas comprobadas el 14 nov 2026.