O que é ChatTTS?
ChatTTS é um modelo de texto para fala da 2noise criado para diálogo falado, como a voz de um assistente baseado em LLM, em chinês e inglês. Você pode inserir no texto tokens de controle como [laugh], [uv_break] e [lbreak], ou definir no nível da frase o grau de oralidade, risadas e pausas, e sortear um speaker embedding aleatório para obter uma voz nova. A saída é áudio a 24 kHz.
A equipe diz que o modelo principal foi treinado com mais de 100.000 horas de áudio em chinês e inglês, mas a versão aberta é um modelo base de 40.000 horas sem fine-tuning supervisionado. Os pesos no Hugging Face foram atualizados pela última vez em outubro de 2024. Para desestimular abusos, os autores adicionaram um pouco de ruído de alta frequência no treino e comprimiram o áudio em MP3, então o modelo aberto soa pior de propósito.
As licenças são a primeira coisa a ler. O código é AGPLv3 ou posterior, que obriga você a publicar seu código-fonte se oferecer uma versão modificada como serviço de rede. Os pesos do modelo são CC BY-NC 4.0, e o README diz que servem apenas para uso acadêmico e de pesquisa, não comercial. O repositório tem cerca de 40.000 estrelas; a v0.2.5, lançada em 10 de abril de 2026, é a versão mais recente e o último commit.
ChatTTS vale a pena?
O ChatTTS é uma ferramenta de pesquisa para fala conversacional, e a licença transforma isso num limite firme, não numa sugestão. Os pesos CC BY-NC 4.0 proíbem uso comercial, o código AGPLv3+ obriga quem serve uma versão modificada pela rede a compartilhar o código-fonte, e a 2noise não publica nenhuma licença comercial para comprar. Uma startup que constrói um assistente de voz pago não pode lançá-lo com ele.
Dentro desse limite, ele faz algo que muitos modelos abertos de voz ainda fazem mal: soa como conversa, não como leitura. O controle de prosódia funciona em dois níveis. Um prompt no nível da frase como [oral_2][laugh_0][break_6] define o quanto a voz conversa, ri e pausa, e tokens no nível da palavra colocam uma risada ou uma pausa exatamente onde você quer. O sorteio aleatório de falantes gera vozes novas, e o embedding salvo traz a mesma voz de volta depois.
O porém: o modelo aberto não é o que a equipe descreve. É uma base de 40.000 horas sem fine-tuning, contra um modelo principal treinado com mais de 100.000 horas, e os autores adicionaram de propósito ruído de alta frequência e compressão MP3. O FAQ admite a instabilidade típica de modelos autorregressivos, como uma voz que troca de falante ou uma qualidade de áudio que cai, e sugere gerar várias amostras e escolher uma. Só há suporte a inglês e chinês, e o README chama o inglês de experimental. O FAQ cita pelo menos 4GB de memória de GPU para um clipe de 30 segundos e um fator de tempo real de cerca de 0.3 numa RTX 4090.
A manutenção ficou no básico. A v0.2.5, em abril de 2026, corrigiu quebras com versões novas do Transformers e adicionou suporte parcial a DirectML; os pesos não mudam desde outubro de 2024, e o controle de múltiplas emoções do roadmap não saiu. Há cerca de 60 issues abertas.
Nossa opinião: o ChatTTS é uma boa referência de como a prosódia conversacional deveria soar, do jeito que um carro-conceito mostra para onde um design vai; qualquer coisa que você pretenda vender precisa de um modelo com licença permissiva.
Onde ele se destaca
Uma pesquisadora de fala num laboratório universitário
Comparar como os tokens de prosódia mudam a naturalidade percebida num diálogo
Gere os mesmos roteiros com e sem os tokens [laugh] e [uv_break], fixe o speaker embedding para que só a prosódia varie e faça um teste de audição. Gratuito sob CC BY-NC 4.0 para trabalho acadêmico; uma GPU de 4GB basta.
Um entusiasta que monta localmente um bot de companhia que fala chinês
Dar às respostas de um LLM uma voz que soe como conversa informal
Passe o texto do LLM para chat.infer com um speaker embedding salvo e temperatura baixa para manter a consistência. Só uso pessoal não comercial; conte com regerar um ou outro clipe instável.
Antes de decidir
- Configuração
- pip install ChatTTS (ou clone o repositório e instale requirements.txt, com Python 3.11 no exemplo de conda). chat.load() baixa os pesos do Hugging Face; examples/web/webui.py abre uma interface web local e examples/cmd/run.py grava arquivos MP3.
- Integrações
- API Python com inferência em lote; vLLM opcional no Linux; geração em streaming; pesos no Hugging Face. As interfaces da comunidade estão no índice Awesome-ChatTTS, não no repositório principal.
- Dados e privacidade
- Roda totalmente local; o texto não é enviado a lugar nenhum. O código é AGPLv3+ e os pesos CC BY-NC 4.0, para uso acadêmico e de pesquisa segundo o README. Os autores dizem ter treinado um detector para o áudio do modelo, mas não o publicaram.
- Custo em escala
- Não há edição paga nem licença comercial, então não existe custo legal de produção a citar. Uso em pesquisa exige pelo menos uma GPU de 4GB segundo o FAQ.
- Limites
- Só inglês e chinês, com o inglês experimental; apenas [laugh], [uv_break] e [lbreak] como tokens no nível da palavra; a instabilidade autorregressiva exige novas tentativas; fator de tempo real de cerca de 0.3 numa RTX 4090; o README marca TransformerEngine e FlashAttention-2 como opções a não instalar.
O que é bom
- Controle de risadas, pausas e oralidade no nível da frase e da palavra
- Prosódia ajustada para diálogo, que os autores colocam acima da maioria dos modelos TTS abertos
- Sorteio aleatório de falantes com embeddings de voz reutilizáveis
- pip install ChatTTS, mais uma interface web e um exemplo de linha de comando
O que não é
- Pesos CC BY-NC 4.0: sem uso comercial e sem licença paga
- O código AGPLv3+ obriga a liberar o código-fonte de serviços de rede modificados
- O modelo aberto é uma base de 40.000 horas com ruído proposital e compressão MP3
- O inglês é experimental; pesos sem mudanças desde outubro de 2024
Ideal para
Pesquisadores e entusiastas que estudam fala conversacional em chinês ou inglês e nunca vão usar o resultado num produto comercial.
Alternativas ao ChatTTS
ChatTTS: perguntas frequentes
- ChatTTS vale a pena?
- O ChatTTS ainda dá a um agente de voz de pesquisa risadas e pausas convincentes em chinês e inglês, mas os pesos não comerciais, a degradação proposital do áudio e um modelo parado desde 2024 o descartam para produtos. Damos nota 3.4 de 5.
- Quanto custa ChatTTS?
- Gratuito. O código é AGPLv3+; os pesos do modelo são CC BY-NC 4.0, portanto sem uso comercial. Não há licença paga ou comercial publicada.
- Quais são as desvantagens de ChatTTS?
- Pesos CC BY-NC 4.0: sem uso comercial e sem licença paga; o código AGPLv3+ obriga a liberar o código-fonte de serviços de rede modificados; o modelo aberto é uma base de 40.000 horas com ruído proposital e compressão MP3; o inglês é experimental; pesos sem mudanças desde outubro de 2024.
- Para quem ChatTTS é indicado?
- Pesquisadores e entusiastas que estudam fala conversacional em chinês ou inglês e nunca vão usar o resultado num produto comercial.
- Quanto custa ChatTTS para uma equipe ou em produção?
- Não há edição paga nem licença comercial, então não existe custo legal de produção a citar. Uso em pesquisa exige pelo menos uma GPU de 4GB segundo o FAQ.
- ChatTTS é seguro para dados da empresa?
- Roda totalmente local; o texto não é enviado a lugar nenhum. O código é AGPLv3+ e os pesos CC BY-NC 4.0, para uso acadêmico e de pesquisa segundo o README. Os autores dizem ter treinado um detector para o áudio do modelo, mas não o publicaram.
- Quais são as melhores alternativas ao ChatTTS?
- As alternativas mais próximas que analisamos são VibeVoice e audio.cpp.
Respostas verificadas em 14 de nov. de 2026.