Chatterbox
TTS open source berlisensi MIT, dalam uji buta 65% orang menganggapnya lebih enak didengar daripada ElevenLabs
Chatterbox adalah model TTS open source setingkat produksi pertama yang dirilis Resemble AI, memakai lisensi MIT, dan ini cukup langka di bidang pembangkitan suara, karena kebanyakan model suara open source memiliki batasan nonkomersial atau riset.
Fitur unggulan dan skenario penggunaan
Ia punya beberapa spesifikasi yang patut dianggap serius. Pertama, ia TTS open source pertama yang mendukung kontrol pelebihan emosi (emotion exaggeration), sehingga Anda bisa mengatur intensitas nada, alih-alih hanya memperoleh satu gaya baca yang datar. Kedua, latensi di bawah 200 milidetik, angka yang membuatnya bisa dimasukkan ke agen suara real-time dan aplikasi interaktif, bukan sekadar pembangkitan batch offline. Ketiga, mendukung 23 bahasa atau lebih.
Modelnya sendiri berukuran 500 juta parameter, berbasis arsitektur Llama modifikasi bergaya CosyVoice, dilatih dengan sekitar 500 ribu jam audio yang telah dibersihkan. Hasil uji buta yang diumumkan resmi adalah: 65,3% pendengar lebih menyukai Chatterbox-Turbo, 24,5% lebih menyukai ElevenLabs, dan 10,2% tak berpreferensi; angka ini perlu disikapi dengan sedikit diskon (uji yang dilakukan vendor sendiri), tetapi setidaknya menunjukkan ia sudah masuk tingkat layak pakai.
Kombinasi lisensi MIT dan penerapan lokal membuatnya terutama cocok untuk tiga situasi: yang butuh pembangkitan dalam jumlah besar dan tak sanggup menanggung biaya API cloud; yang datanya tak boleh keluar wilayah; dan yang ingin menyematkan TTS ke produk sendiri tetapi tak ingin terikat pemasok API.
Ongkosnya adalah Anda harus menangani sendiri penerapan, sumber daya GPU, dan pembaruan model. Bagi tim tanpa kemampuan engineering ML, membayar API tetap lebih hemat, dan jangan salah menilai hal ini hanya karena empat kata "open source gratis".
Fitur Utama
- Lisensi MIT, sepenuhnya gratis untuk komersial
- TTS open source pertama yang mendukung kontrol pelebihan emosi
- Latensi di bawah 200 milidetik, bisa dipakai untuk agen suara real-time
- Mendukung 23 bahasa atau lebih
- 500 juta parameter, dilatih sekitar 500 ribu jam audio
- Bisa diterapkan sepenuhnya lokal atau di private cloud
Kelebihan
- Lisensi MIT membuat biaya lisensi komersial nol, sangat langka di antara model suara
- Penerapan lokal, data tak keluar wilayah dan tak terpengaruh pembatasan laju API
- Latensi cukup rendah, bisa dimasukkan ke skenario interaktif real-time
Kekurangan
- Perlu menangani sendiri penerapan, GPU, dan pemeliharaan model
- Data uji buta resmi dirilis vendor sendiri, harus disikapi dengan ruang penilaian
- Performa bahasa Indonesia perlu divalidasi sendiri, belum tentu lebih baik daripada model khusus bahasa Indonesia
Contoh Penggunaan
- Pembangkitan suara dalam jumlah besar, menghindari penagihan berbasis pemakaian API
- Aplikasi suara pemerintah atau keuangan yang datanya tak boleh keluar wilayah
- Lapisan keluaran suara untuk agen suara real-time
- Fitur suara offline yang disematkan ke produk sendiri
Catatan Editor
Masalah terbesar TTS open source beberapa tahun ini selalu soal lisensi, yaitu yang enak dipakai tak boleh komersial, yang boleh komersial tak enak didengar. Chatterbox merobohkan tembok itu dengan MIT, dan poin ini saja sudah patut diperhatikan. Tetapi jangan lupa biaya tersembunyi self-hosting: GPU, operasi, pembaruan; semua ini digabung belum tentu lebih murah daripada membeli API.
FAQ
Apakah benar-benar bisa dipakai komersial?
Lisensi MIT mengizinkan penggunaan komersial, modifikasi, dan redistribusi, dan ini salah satu lisensi open source paling longgar. Namun saat memakainya tetap perlu memperhatikan bahwa legalitas data pelatihan dan konten yang Anda hasilkan tetap menjadi tanggung jawab pengguna, terutama untuk penggunaan meniru suara orang tertentu.
Perangkat keras seperti apa yang diperlukan untuk menjalankannya?
Model 500 juta parameter dapat berjalan pada GPU kelas konsumen, dan latensi nyatanya bergantung pada kartu grafis dan pengaturan kuantisasi. Untuk mencapai latensi di bawah 200 milidetik seperti yang diklaim resmi, biasanya diperlukan GPU yang sesuai dan pengaturan optimasi; inferensi CPU murni akan jauh lebih lambat.