Chatterbox

Chatterbox 是 Resemble AI 开源的文本转语音（TTS）模型，MIT 协议，GitHub 26.6k star，号称开源 TTS 的 SOTA。基于 0.5B 规模的 LLaMA 架构，用超过 50 万小时精选音频训练，核心卖点：零样本语音克隆——给 5 秒参考音频即可克隆出该人声；情绪强度可控——不只读出来，还能调情绪与强烈程度，从平淡陈述到激昂喊话；MIT 免费，个人和商业都能用，代码与权重全公开。Turbo 版精简到 350M 参数，把语音令牌到梅尔频谱的解码从 10 步压到 1 步，推理延迟大幅下降、显存占用大幅降低，消费级显卡甚至 CPU/MPS 都能跑，AMD 走 PyTorch 后端 ROCm 可运行。Resemble 在 Podonos 平台做可复现盲测，对线 ElevenLabs Turbo v2.5、Cartesia Sonic 3、VibeVoice 7B，社区盲测普遍认为其自然度追平甚至超越 ElevenLabs 部分版本。适合不想按字付费、要做有声书配音短视频旁白、要克隆个性化声音、AMD 用户本地跑 TTS 的场景。