¿Qué es Chatterbox?
Chatterbox es una familia de modelos abiertos de texto a voz de Resemble AI, publicada bajo la licencia MIT. El buque insignia actual, Chatterbox Multilingual V3, tiene 0,5 mil millones de parámetros sobre una base Llama y cubre 23 idiomas, con ajustes finos aparte para chino, hindi y español y portugués regionales. Chatterbox-Turbo, un modelo en inglés de 350 millones de parámetros lanzado en diciembre de 2025, está pensado para agentes de voz de baja latencia y acepta etiquetas como [laugh] y [cough]; Chatterbox-Nano, de 110 millones, funciona en CPU.
Todas las variantes clonan una voz a partir de un clip de referencia corto, y el modelo original añade un control de 'exaggeration' para la intensidad emocional. Resemble dice que los modelos se entrenaron con 0,5 millones de horas de audio depurado. La página principal de Hugging Face registra unos 1,8 millones de descargas en el último mes.
¿Cuánto cuesta Chatterbox?
| Plan | Precio | Qué incluye |
|---|---|---|
| Self-hosted | Free | Licencia MIT |
| Hosted Chatterbox | $25 per million characters | Dato de Artificial Analysis |
| Chatterbox HD (Resemble) | $40 per million characters | Dato de Artificial Analysis |
Gratuito bajo la licencia MIT. Artificial Analysis sitúa Chatterbox alojado en $25 y Chatterbox HD de Resemble en $40 por millón de caracteres.
¿Merece la pena Chatterbox?
Chatterbox se elige por su licencia y su marca de agua, no por cómo suena. En la arena de Artificial Analysis, el modelo abierto ocupa el puesto 78 de 98 con 1.024 Elo, por debajo de los 1.065 de Kokoro, mientras que Drama 3 Preview de Fish Audio encabeza los modelos abiertos con 1.248. Chatterbox HD, la versión alojada de Resemble, sale mejor parada con 1.109. La afirmación de la ficha del modelo de que Chatterbox supera a ElevenLabs se basa en la comparación de Podonos hecha por la propia Resemble, no en una arena independiente.
Contra el mal uso hace más que la mayoría de los modelos abiertos. Cada clip lleva la marca de agua Perth de Resemble, que según la empresa sobrevive a la compresión MP3 y a la edición con una detección cercana al 100 %, y el repositorio incluye un script corto que la lee y devuelve 0.0 o 1.0. La protección tiene límites: la marca de agua se aplica en código abierto que cualquiera puede editar, la única política de uso es un aviso de una línea ('Don't use this model to do bad things') y nada comprueba el consentimiento antes de clonar una voz.
La familia cubre ahora un abanico de hardware más amplio que la mayoría de los proyectos TTS abiertos. Nano, con 110 millones de parámetros, funciona tres veces más rápido que el tiempo real en ocho núcleos de CPU; Turbo, con 350 millones, destila el decodificador de diez pasos a uno para agentes de voz; Multilingual V3 maneja 23 idiomas con 500 millones. Una trampa para los ingenieros: el cargador multilingüe sigue usando por defecto el checkpoint V2 anterior salvo que pases t3_model="v3".
La historia de la latencia es más pobre de lo que sugiere el marketing. La cifra de 'sub 200ms' de las fichas de los modelos describe el servicio alojado de pago de Resemble, y no se publica ninguna cifra de latencia ni de VRAM para los pesos abiertos. La clonación entre idiomas también requiere cuidado: si el idioma del clip de referencia es distinto del de destino, la salida adopta el acento del clip salvo que CFG se ponga a cero.
Dónde se gana su sitio
Una startup de agentes de voz que ejecuta bots telefónicos en inglés en sus propias GPU
Responder con una voz de marca clonada sin tarifas por carácter
Usa Turbo, cuyo decodificador de un paso está pensado para agentes, con un clip de referencia de unos diez segundos. El autoalojamiento no tiene cargo por carácter; a los $40 por millón de caracteres que Artificial Analysis indica para Chatterbox HD alojado, 50M de caracteres al mes costarían $2.000.
Un responsable de confianza y seguridad de una empresa de medios que usa narración sintética
Demostrar qué clips de audio salieron de la canalización propia de la empresa
Pasa el detector Perth por el audio saliente y por el disputado; devuelve 1.0 en los archivos con marca de agua. Como la marca se aplica en código abierto, identifica el uso honesto, pero no detiene a un falsificador decidido.
Una empresa de e-learning que localiza cursos al hindi, el español y el portugués
Mantener la voz de un mismo narrador en todos los idiomas
Carga Multilingual V3 con t3_model="v3", o los ajustes finos para hindi, español latinoamericano y portugués de Brasil, y pon CFG a cero cuando el clip de referencia esté en otro idioma para evitar que se cuele el acento.
Un desarrollador que crea una aplicación de lectura sin conexión para portátiles
Generar voz en CPU sin servidor
Chatterbox-Nano se carga mediante la clase Turbo con nano=True y funciona tres veces más rápido que el tiempo real en ocho núcleos de CPU, según Resemble. Solo admite inglés, así que las aplicaciones multilingües siguen necesitando el modelo de 500M.
Antes de decidirte
- Puesta en marcha
- pip install chatterbox-tts; Resemble lo prueba en Python 3.11 y Debian 11, y los modelos funcionan con CUDA, CPU o Apple MPS. La clonación necesita un clip de referencia; el ejemplo usa unos diez segundos.
- Integraciones
- Paquete de Python y pesos en Hugging Face; fal figura como proveedor de inferencia, y Resemble vende un Chatterbox HD alojado con menor latencia.
- Datos y privacidad
- Si lo alojas tú, el texto y el audio de referencia se quedan en local. Licencia MIT sin límites de ingresos; la única política de uso es 'Don't use this model to do bad things', y no hay comprobación de consentimiento en las voces clonadas.
- Coste a escala
- Pesos gratuitos; el coste es el cómputo, y Nano funciona en CPU. Artificial Analysis sitúa Chatterbox alojado en $25 y Chatterbox HD en $40 por millón de caracteres, frente a $0,65 de Kokoro alojado.
- Límites
- Sin cifras publicadas de latencia, VRAM ni longitud máxima de texto para los modelos abiertos. Turbo y Nano solo admiten inglés, y si el idioma de referencia y el de destino no coinciden se cuela el acento salvo que CFG sea cero.
Lo bueno
- Licencia MIT, uso comercial incluido
- Marca de agua Perth en cada clip, con un script de detección
- Nano (110M) funciona 3 veces más rápido que el tiempo real en 8 núcleos de CPU
- 23 idiomas en Multilingual V3, más ajustes finos por variante
Lo malo
- Puesto 78 de 98 en la arena de Artificial Analysis para el modelo abierto
- Sin comprobación de consentimiento antes de clonar una voz
- Sin cifras publicadas de latencia ni de VRAM para los modelos abiertos
- El cargador multilingüe usa V2 por defecto salvo que se le indique otra cosa
Ideal para
Equipos que necesitan clonación de voz abierta con uso comercial y marcado de procedencia y que pueden aceptar una calidad de voz de mitad de tabla.
Alternativas a Chatterbox
Chatterbox: preguntas frecuentes
- ¿Merece la pena Chatterbox?
- Chatterbox es el clonador de voz abierto que un equipo de cumplimiento puede aprobar, gracias a su marca de agua, aunque no el que elegiría quien lo escucha. Le damos un 3.7 sobre 5.
- ¿Cuánto cuesta Chatterbox?
- Gratuito bajo la licencia MIT. Artificial Analysis sitúa Chatterbox alojado en $25 y Chatterbox HD de Resemble en $40 por millón de caracteres.
- ¿Qué inconvenientes tiene Chatterbox?
- Puesto 78 de 98 en la arena de Artificial Analysis para el modelo abierto; sin comprobación de consentimiento antes de clonar una voz; sin cifras publicadas de latencia ni de VRAM para los modelos abiertos; el cargador multilingüe usa V2 por defecto salvo que se le indique otra cosa.
- ¿Para quién es Chatterbox?
- Equipos que necesitan clonación de voz abierta con uso comercial y marcado de procedencia y que pueden aceptar una calidad de voz de mitad de tabla.
- ¿Cuánto cuesta Chatterbox para un equipo o en producción?
- Pesos gratuitos; el coste es el cómputo, y Nano funciona en CPU. Artificial Analysis sitúa Chatterbox alojado en $25 y Chatterbox HD en $40 por millón de caracteres, frente a $0,65 de Kokoro alojado.
- ¿Es Chatterbox seguro para los datos de la empresa?
- Si lo alojas tú, el texto y el audio de referencia se quedan en local. Licencia MIT sin límites de ingresos; la única política de uso es 'Don't use this model to do bad things', y no hay comprobación de consentimiento en las voces clonadas.
- ¿Cuáles son las mejores alternativas a Chatterbox?
- Las alternativas más cercanas que hemos analizado son Kokoro-82M, Qwen3-TTS, Eleven v4 and v4 Turbo y OmniVoice.
Respuestas comprobadas el 22 oct 2026.