Chatterbox

Chatterbox 是 Resemble AI 推出的第一個生產等級開源 TTS 模型，採 MIT 授權，這在語音生成領域相當罕見——多數開源語音模型都有非商業或研究限制。

功能特色與適用場景

它有幾個規格值得認真看待。第一，它是第一個支援情緒誇張度控制（emotion exaggeration）的開源 TTS，你可以調整語氣的強烈程度，而不是只能得到一種平板的朗讀腔。第二，延遲低於 200 毫秒，這個數字讓它可以放進即時的語音代理與互動應用，而不只是離線批次生成。第三，支援 23 種以上語言。

模型本身是 5 億參數，基於 CosyVoice 風格的改良 Llama 架構，用約 50 萬小時的清理過音訊訓練。官方公布的盲測結果是：65.3% 的聽眾偏好 Chatterbox-Turbo、24.5% 偏好 ElevenLabs、10.2% 沒有偏好——這個數字要打點折扣看（廠商自己做的測試），但至少說明它已經進入可用等級。

MIT 授權加上本機部署的組合，讓它特別適合三種情境：需要大量生成、雲端 API 成本吃不消的；資料不能出境的；以及想把 TTS 嵌進自家產品但不想被 API 供應商綁死的。

代價是你得自己處理部署、GPU 資源與模型更新。對沒有 ML 工程能力的團隊，付錢用 API 仍然比較划算——這件事不要因為「開源免費」四個字就搞錯。