O que é Chatterbox?
O Chatterbox é uma família de modelos abertos de texto para fala da Resemble AI, lançada sob a licença MIT. O carro-chefe atual, o Chatterbox Multilingual V3, tem 0.5 bilhão de parâmetros sobre uma base Llama e cobre 23 idiomas, com fine-tunes separados para chinês, hindi e variantes regionais de espanhol e português. O Chatterbox-Turbo, um modelo em inglês de 350 milhões de parâmetros lançado em dezembro de 2025, mira agentes de voz de baixa latência e aceita tags como [laugh] e [cough]; o Chatterbox-Nano, com 110 milhões, roda em CPU.
Todas as variantes clonam uma voz a partir de um clipe curto de referência, e o modelo original acrescenta um controle de 'exaggeration' para a intensidade emocional. A Resemble diz que os modelos foram treinados com 0.5 milhão de horas de áudio limpo. A página principal no Hugging Face registra cerca de 1.8 milhão de downloads no último mês.
Quanto custa Chatterbox?
| Plano | Preço | O que inclui |
|---|---|---|
| Self-hosted | Free | Licença MIT |
| Hosted Chatterbox | $25 per million characters | Listagem da Artificial Analysis |
| Chatterbox HD (Resemble) | $40 per million characters | Listagem da Artificial Analysis |
Gratuito sob a licença MIT. A Artificial Analysis lista o Chatterbox hospedado a $25 e o Chatterbox HD da Resemble a $40 por milhão de caracteres.
Chatterbox vale a pena?
O Chatterbox é escolhido pela licença e pela marca d'água, não pelo som. Na arena da Artificial Analysis, o modelo aberto fica em 78º de 98, com 1.024 de Elo, abaixo dos 1.065 do Kokoro, enquanto o Drama 3 Preview da Fish Audio lidera os modelos abertos com 1.248. O Chatterbox HD hospedado da Resemble se sai melhor, com 1.109. A afirmação do model card de que o Chatterbox supera o ElevenLabs se apoia na própria comparação da Resemble no Podonos, não em uma arena independente.
Contra o mau uso, ele faz mais do que a maioria dos modelos abertos. Cada clipe leva a marca d'água Perth da Resemble, que a empresa diz sobreviver à compressão em MP3 e à edição com detecção de quase 100%, e o repositório traz um script curto que a lê de volta como 0.0 ou 1.0. A proteção tem limites: a marca d'água é aplicada em código aberto que qualquer pessoa pode editar, a única política de uso é um aviso de uma linha ('Don't use this model to do bad things') e nada verifica o consentimento antes de uma voz ser clonada.
A família agora cobre uma faixa de hardware maior que a maioria dos projetos de TTS abertos. O Nano, com 110 milhões de parâmetros, roda três vezes mais rápido que o tempo real em oito núcleos de CPU; o Turbo, com 350 milhões, destila o decodificador de dez passos para um, para agentes de voz; o Multilingual V3 lida com 23 idiomas com 500 milhões. Uma armadilha para engenheiros: o carregador multilíngue ainda usa por padrão o checkpoint V2, mais antigo, a menos que você passe t3_model="v3".
A história da latência é mais fraca do que o marketing sugere. O número de 'sub 200ms' nos model cards descreve o serviço hospedado pago da Resemble, e nenhum número de latência ou de VRAM é publicado para os pesos abertos. A clonagem entre idiomas também exige cuidado: se o idioma do clipe de referência for diferente do idioma de destino, a saída herda o sotaque do clipe, a menos que o CFG seja zerado.
Onde ele se destaca
Uma startup de agentes de voz que roda bots telefônicos em inglês nas próprias GPUs
Falar as respostas com uma voz de marca clonada sem taxas por caractere
Rode o Turbo, cujo decodificador de um passo foi feito para agentes, a partir de um clipe de referência de cerca de dez segundos. A hospedagem própria não tem cobrança por caractere; aos $40 por milhão de caracteres da Artificial Analysis para o Chatterbox HD hospedado, 50M de caracteres por mês custariam $2.000.
Um líder de confiança e segurança em uma empresa de mídia que usa narração sintética
Provar quais clipes de áudio saíram do próprio pipeline da empresa
Rode o detector Perth sobre o áudio enviado e o contestado; ele retorna 1.0 para arquivos com marca d'água. Como a marca d'água é aplicada em código aberto, ela marca o uso honesto, mas não impede um falsificador determinado.
Uma empresa de e-learning que localiza cursos para hindi, espanhol e português
Manter a voz de um mesmo narrador entre idiomas
Carregue o Multilingual V3 com t3_model="v3", ou os fine-tunes de dialeto para hindi, espanhol latino-americano e português brasileiro, e zere o CFG quando o clipe de referência estiver em outro idioma, para evitar a contaminação de sotaque.
Um desenvolvedor criando um app de leitura offline para notebooks
Gerar fala na CPU sem servidor
O Chatterbox-Nano carrega pela classe Turbo com nano=True e roda três vezes mais rápido que o tempo real em oito núcleos de CPU, segundo a Resemble. Ele é só em inglês, então apps multilíngues ainda precisam do modelo de 500M.
Antes de decidir
- Configuração
- pip install chatterbox-tts; a Resemble testa com Python 3.11 e Debian 11, e os modelos rodam em CUDA, CPU ou Apple MPS. A clonagem precisa de um clipe de referência; o exemplo usa cerca de dez segundos.
- Integrações
- Pacote Python e pesos no Hugging Face; a fal aparece como provedora de inferência, e a Resemble vende um Chatterbox HD hospedado com latência menor.
- Dados e privacidade
- Hospedagem própria, então texto e áudio de referência ficam no local. Licença MIT sem limites de receita; a única política de uso é 'Don't use this model to do bad things', e não há verificação de consentimento nas vozes clonadas.
- Custo em escala
- Pesos gratuitos; o custo é a computação, e o Nano roda em CPU. A Artificial Analysis lista o Chatterbox hospedado a $25 e o Chatterbox HD a $40 por milhão de caracteres, contra $0.65 do Kokoro hospedado.
- Limites
- Sem latência, VRAM ou tamanho máximo de texto publicados para os modelos abertos. O Turbo e o Nano são só em inglês, e idiomas diferentes entre referência e destino causam contaminação de sotaque, a menos que o CFG seja zero.
O que é bom
- Licença MIT, uso comercial incluído
- Marca d'água Perth em cada clipe, com um script de detecção
- O Nano (110M) roda 3x mais rápido que o tempo real em 8 núcleos de CPU
- 23 idiomas no Multilingual V3, além de fine-tunes para dialetos
O que não é
- 78º de 98 na arena da Artificial Analysis, no caso do modelo aberto
- Nenhuma verificação de consentimento antes de clonar uma voz
- Sem números publicados de latência ou VRAM para os modelos abertos
- O carregador multilíngue usa o V2 por padrão, a menos que se indique outro
Ideal para
Equipes que precisam de clonagem de voz aberta com uso comercial e marcação de procedência e que aceitam uma qualidade de voz de meio de tabela.
Alternativas ao Chatterbox
Chatterbox: perguntas frequentes
- Chatterbox vale a pena?
- O Chatterbox é o clonador de voz aberto que uma equipe de compliance consegue aprovar, graças à marca d'água, embora não seja o que um ouvinte escolheria. Damos nota 3.7 de 5.
- Quanto custa Chatterbox?
- Gratuito sob a licença MIT. A Artificial Analysis lista o Chatterbox hospedado a $25 e o Chatterbox HD da Resemble a $40 por milhão de caracteres.
- Quais são as desvantagens de Chatterbox?
- 78º de 98 na arena da Artificial Analysis, no caso do modelo aberto; nenhuma verificação de consentimento antes de clonar uma voz; sem números publicados de latência ou VRAM para os modelos abertos; o carregador multilíngue usa o V2 por padrão, a menos que se indique outro.
- Para quem Chatterbox é indicado?
- Equipes que precisam de clonagem de voz aberta com uso comercial e marcação de procedência e que aceitam uma qualidade de voz de meio de tabela.
- Quanto custa Chatterbox para uma equipe ou em produção?
- Pesos gratuitos; o custo é a computação, e o Nano roda em CPU. A Artificial Analysis lista o Chatterbox hospedado a $25 e o Chatterbox HD a $40 por milhão de caracteres, contra $0.65 do Kokoro hospedado.
- Chatterbox é seguro para dados da empresa?
- Hospedagem própria, então texto e áudio de referência ficam no local. Licença MIT sem limites de receita; a única política de uso é 'Don't use this model to do bad things', e não há verificação de consentimento nas vozes clonadas.
- Quais são as melhores alternativas ao Chatterbox?
- As alternativas mais próximas que analisamos são Kokoro-82M, Qwen3-TTS, Eleven v4 and v4 Turbo e OmniVoice.
Respostas verificadas em 22 de out. de 2026.