Chatterboxとは？
ChatterboxはResemble AIによるオープンなテキスト読み上げモデルのファミリーで、MITライセンスで公開されています。現在の主力であるChatterbox Multilingual V3は、Llamaをバックボーンとするパラメータ数5億（0.5 billion）のモデルで23言語に対応し、中国語、ヒンディー語、地域ごとのスペイン語とポルトガル語には個別のファインチューニング版があります。2025年12月に公開されたChatterbox-Turboはパラメータ数3億5,000万（350 million）の英語モデルで、低レイテンシの音声エージェントを狙い、[laugh]や[cough]のようなタグを受け付けます。1億1,000万（110 million）のChatterbox-NanoはCPUで動きます。
どのバリアントも短い参照クリップから声をクローンでき、オリジナルのモデルには感情の強さを調整する「exaggeration」も備わっています。Resembleによると、モデルはクリーニング済みの50万（0.5 million）時間の音声で学習されました。Hugging Faceのメインページには、過去1か月で約180万（1.8 million）のダウンロードが記録されています。
Chatterboxの料金は？
| プラン | 価格 | 内容 |
|---|---|---|
| Self-hosted | Free | MITライセンス |
| Hosted Chatterbox | $25 per million characters | Artificial Analysisでの掲載価格 |
| Chatterbox HD (Resemble) | $40 per million characters | Artificial Analysisでの掲載価 格 |
MITライセンスで無料。Artificial Analysisでは、ホスト型のChatterboxが100万文字あたり$25、ResembleのChatterbox HDが$40と記載されています。
Chatterboxは使う価値があるか？
Chatterboxが選ばれる理由は音ではなく、ライセンスと透かしです。Artificial Analysisのアリーナでは、オープンモデルは1,024 Eloで98モデル中78位にとどまり、Kokoroの1,065を下回ります。オープンモデルの首位はFish AudioのDrama 3 Previewで1,248です。Resembleのホスト型Chatterbox HDは1,109とやや健闘しています。ChatterboxがElevenLabsに勝るというモデルカードの主張は、独立したアリーナではなく、Resemble自身によるPodonosでの比較に基づいています。
悪用への対策では、多くのオープンモデルより踏み込んでいます。すべてのクリップにはResembleのPerth透かしが入り、同社によるとMP3圧縮や編集を経ても100%近い検出率を保ちます。リポジトリには、透かしを読み取って0.0か1.0で返す短いスクリプトも含まれています。ただし保護には限界があります。透かしは誰でも編集できるオープンなコードで付けられ、利用規定は一行の免責文（「このモデルを悪いことに使わないでください」）だけで、声をクローンする前に同意を確認する仕組みはありません。
このファミリーは、多くのオープンなTTSプロジェクトより幅広いハードウェアに対応しています。パラメータ数1億1,000万（110 million）のNanoは8コアのCPUでリアルタイムの3倍速で動きます。3億5,000万（350 million）のTurboは、音声エージェント向けにデコーダーを10ステップから1ステップに蒸留しています。5億（500 million）のMultilingual V3は23言語を扱います。エンジニアが注意すべき落とし穴が一つあります。多言語ローダーは、t3_model="v3"を渡さない限り、いまも旧版のV2チェックポイントを既定で読み込みます。
レイテンシについては、宣伝ほどの裏付けはありません。モデルカードにある「sub 200ms」という数値はResembleの有料ホスト型サービスのもので、オープンウェイトについてはレイテンシもVRAMも数値が公表されていません。言語をまたぐクローンにも注意が必要です。参照クリップの言語が出力の言語と異なる場合、CFGをゼロにしない限り、出力にクリップのなまりが乗ります。
真価を発揮する場面
自社のGPUで英語の電話ボットを運用する音声エージェントのスタートアップ
文字単位の料金を払わずに、クローンしたブランドの声で返答する
1ステップのデコーダーがエージェント向けに作られたTurboを、約10秒の参照クリップから動かします。セルフホストなら文字単位の料金はかかりません。Artificial Analysisに掲載されたホスト型Chatterbox HDの100万文字あたり$40で計算すると、月5,000万文字で$2,000になります。
合成ナレーションを使うメディア企業のトラスト&セーフティ責任者
どの音声クリップが自社のパイプライ ンから出たものかを証明する
送出する音声や問題になった音声にPerthの検出器をかけると、透かし入りのファイルには1.0が返ります。透かしはオープンなコードで付けられるため、意志の固い偽造者を止めるものではなく、正当な利用を示す印です。
講座をヒンディー語、スペイン語、ポルトガル語にローカライズするeラーニング企業
言語をまたいで1人のナレーターの声を保つ
t3_model="v3"でMultilingual V3を読み込むか、ヒンディー語、中南米スペイン語、ブラジルポルトガル語の方言別ファインチューニング版を使います。参照クリップが別の言語の場合は、なまりの混入を避けるためにCFGをゼロにします。
ノートパソコン向けのオフライン読書アプリを作る開発者
サーバーなしでCPU上で音声を生成する
Chatterbox-Nanoはnano=TrueでTurboクラスから読み込め、Resembleによると8コアのCPUでリアルタイムの3倍速で動きます。英語のみなので、多言語アプリには引き続き500Mのモデルが必要です。
導入前に確認すること
- 導入
- pip install chatterbox-ttsで導入します。ResembleはPython 3.11とDebian 11でテストしており、モデルはCUDA、CPU、AppleのMPSで動きます。クローンには参照クリップが必要で、サンプルでは約10秒を使っています。
- 連携
- PythonパッケージとHugging Faceの重みがあります。推論プロバイダーとしてfalが掲載されており、Resembleはより低レイテンシのホスト型Chatterbox HDを販売しています。
- データとプライバシー
- セルフホストなので、テキストと参照音声はローカルにとどまります。売上の制限のないMITライセンスで、利用規定は「このモデルを悪いことに使わないでください」だけです。クローンした声の同意確認はありません。
- 大規模利用時のコスト
- 重みは無料で、コストは計算資源です。NanoはCPUで動きます。Artificial Analysisでは、100万文字あたりホスト型Chatterboxが$25、Chatterbox HDが$40で、ホスト型Kokoroの$0.65と比べられています。
- 制限
- オープンモデルのレイテンシ、VRAM、最大テキスト長は公表されていません。TurboとNanoは英語のみで、参照と出力の言語が異なると、CFGがゼロでない限りなまりが混入します。
良い点
- MITライセンスで、商用利用も可能
- すべてのクリップにPerth透かしが入り、検出スクリプトもある
- Nano（110M）は8コアのCPUでリアルタイムの3倍速で動く
- Multilingual V3で23言語、方言別のファインチューニング版もある
気になる点
- Artificial Analysisのアリーナで、オープンモデルは98モデル中78位
- 声をクローンする前の同意確認がない
- オープンモデルのレイテンシとVRAMの数値が公表されていない
- 多言語ローダーは指定しない限りV2を既定で読み込む
おすすめの人
来歴の表示付きで商用利用できるオープンな音声クローンが必要で、中位の音質を受け入れられるチーム。
Chatterboxの代替
Chatterbox：よくある質問
- Chatterboxは使う価値があるか？
- Chatterboxは透かしのおかげでコンプライアンスチームが承認できるオープンな音声クローンですが、聞き手が選ぶ音質ではありません。 評価は5点満点中3.7点です。
- Chatterboxの料金は？
- MITライセンスで無料。Artificial Analysisでは、ホスト型のChatterboxが100万文字あたり$25、ResembleのChatterbox HDが$40と記載されています。
- Chatterboxの欠点は？
- Artificial Analysisのアリーナで、オープンモデルは98モデル中78位; 声をクローンする前の同意確認がない; オープンモデルのレイテンシとVRAMの数値が公表されていない; 多言語ローダーは指定しない限りV2を既定で読み込む.
- Chatterboxは誰に向いているか？
- 来歴の表示付きで商用利用できるオープンな音声クローンが必要で、中位の音質を受け入れられるチーム。
- チームや本番環境でChatterboxを使うと費用はいくらか？
- 重みは無料で、コストは計算資源です。NanoはCPUで動きます。Artificial Analysisでは、100万文字あたりホスト型Chatterboxが$25、Chatterbox HDが$40で、ホスト型Kokoroの$0.65と比べられています。
- Chatterboxは企業データを扱っても安全か？
- セルフホストなので、テキストと参照音声はローカルにとどまります。売上の制限のないMITライセンスで、利用規定は「このモデルを悪いことに使わないでください」だけです。クローンした声の同意確認はありません。
- Chatterboxの代わりになるものは？
- 当サイトでレビューした中で最も近い代替はKokoro-82M, Qwen3-TTS, Eleven v4 and v4 Turbo 、 OmniVoiceです。
回答確認日：2026年10月22日