Chatterbox Stimmenklonung

Chatterbox TTS von Resemble AI für Zero‑Shot‑Stimmenklonung und mehrsprachige Spracherzeugung auf Clore.ai‑GPUs ausführen.

Chatterbox ist eine Familie hochmoderner Open-Source-Text-to-Speech-Modelle von Resemble AI. Es führt Zero-Shot-Stimmenklonung anhand eines kurzen Referenzclips (~10 Sekunden) durch, unterstützt paralinguistische Tags wie [laugh] und [cough], und bietet eine mehrsprachige Variante, die 23+ Sprachen abdeckt. Drei Modellvarianten sind verfügbar: Turbo (350M, geringe Latenz), Original (500M, kreative Steuerung) und Multilingual (500M, 23+ Sprachen).

GitHub: resemble-ai/chatterbox PyPI: chatterbox-tts Lizenz: MIT

Hauptmerkmale

• Zero-Shot-Stimmenklonung — klont jede Stimme aus ~10 Sekunden Referenzaudio

• Paralinguistische Tags (Turbo) — [laugh], [cough], [chuckle], [sigh] für realistische Sprache

• 23+ Sprachen (Multilingual) — Arabisch, Chinesisch, Französisch, Deutsch, Japanisch, Koreanisch, Russisch, Spanisch und mehr

• CFG- & Übertreibungs-Tuning (Original) — kreative Kontrolle über Expressivität

• Drei Modellgrößen — Turbo (350M), Original (500M), Multilingual (500M)

• MIT-Lizenz — vollständig offen für kommerzielle Nutzung

Anforderungen

Komponente	Minimum	Empfohlen
GPU	RTX 3060 12 GB	RTX 3090 / RTX 4090
VRAM	6 GB	10 GB+
RAM	8 GB	16 GB
Festplatte	5 GB	15 GB
Python	3.10+	3.11
CUDA	11.8+	12.1+

Clore.ai-Empfehlung: RTX 3090 ($0.30–1.00/Tag) für komfortablen VRAM-Spielraum. Eine RTX 3060 funktioniert für das Turbo-Modell. Für das Multilingual-Modell mit langen Texten sollte man eine RTX 4090 in Betracht ziehen ($0.50–2.00/Tag).

Installation

# Von PyPI installieren
pip install chatterbox-tts

# Oder aus dem Quellcode installieren
git clone https://github.com/resemble-ai/chatterbox.git
cd chatterbox
pip install -e .

# Verifizieren
python -c "from chatterbox.tts import ChatterboxTTS; print('Chatterbox ready')"

Schnellstart

Turbo-Modell (geringste Latenz)

import torchaudio as ta
from chatterbox.tts_turbo import ChatterboxTurboTTS

model = ChatterboxTurboTTS.from_pretrained(device="cuda")

# Grundlegendes TTS mit paralinguistischen Tags
text = "Hey, schön dich wiederzusehen! [chuckle] Ich habe heute tolle Neuigkeiten für dich."

# Stimmenklonung — gib einen Referenzclip von 10+ Sekunden an
wav = model.generate(text, audio_prompt_path="reference_voice.wav")

ta.save("output_turbo.wav", wav, model.sr)
print(f"Gespeichert bei {model.sr} Hz")

Original-Modell (Englisch, kreative Steuerung)

import torchaudio as ta
from chatterbox.tts import ChatterboxTTS

model = ChatterboxTTS.from_pretrained(device="cuda")

text = "The quick brown fox jumps over the lazy dog. It was a beautiful morning."

# Generieren ohne Stimmenklonung (verwendet Standardstimme)
wav = model.generate(text)
ta.save("output_default.wav", wav, model.sr)

# Generieren mit Stimmenklonung
wav = model.generate(text, audio_prompt_path="my_voice_sample.wav")
ta.save("output_cloned.wav", wav, model.sr)

Beispielanwendungen

Mehrsprachige Stimmenklonung

import torchaudio as ta
from chatterbox.mtl_tts import ChatterboxMultilingualTTS

model = ChatterboxMultilingualTTS.from_pretrained(device="cuda")

# Französisch
french_text = "Bonjour, comment allez-vous? Bienvenue dans notre démonstration."
wav_fr = model.generate(french_text, language_id="fr")
ta.save("output_french.wav", wav_fr, model.sr)

# Japanisch
japanese_text = "こんにちは、テキスト読み上げのデモンストレーションです。"
wav_ja = model.generate(japanese_text, language_id="ja")
ta.save("output_japanese.wav", wav_ja, model.sr)

# Russisch mit Stimmenklonung
russian_text = "Привет! Это демонстрация синтеза речи на русском языке."
wav_ru = model.generate(
    russian_text,
    language_id="ru",
    audio_prompt_path="russian_speaker.wav"
)
ta.save("output_russian.wav", wav_ru, model.sr)

print("Mehrsprachige Generierung abgeschlossen")

Paralinguistische Tags (Turbo)

import torchaudio as ta
from chatterbox.tts_turbo import ChatterboxTurboTTS

model = ChatterboxTurboTTS.from_pretrained(device="cuda")

samples = [
    ("greeting", "Hi there! [laugh] It's so good to see you again."),
    ("nervous", "Um, well [cough] I'm not really sure about that."),
    ("excited", "Oh my gosh! [chuckle] That's absolutely incredible news!"),
]

for name, text in samples:
    wav = model.generate(text, audio_prompt_path="speaker_ref.wav")
    ta.save(f"para_{name}.wav", wav, model.sr)
    print(f"Generated: {name}")

Batch-Verarbeitungsskript

import torchaudio as ta
from chatterbox.tts import ChatterboxTTS
import os

model = ChatterboxTTS.from_pretrained(device="cuda")

# Verarbeite eine Liste von Zeilen (z. B. für Hörbuchkapitel)
lines = [
    "Kapitel eins. Das Abenteuer beginnt.",
    "Es war eine dunkle und stürmische Nacht.",
    "Der Held stand an der Weggabelung und war unsicher, welchen Weg er einschlagen sollte.",
]

os.makedirs("output_batch", exist_ok=True)

for i, line in enumerate(lines):
    wav = model.generate(line, audio_prompt_path="narrator_voice.wav")
    ta.save(f"output_batch/line_{i:03d}.wav", wav, model.sr)
    print(f"[{i+1}/{len(lines)}] {line[:40]}...")

print("Batch-Verarbeitung abgeschlossen")

Tipps für Clore.ai-Nutzer

• Modellwahl — verwende Turbo für latenzarme Sprachagenten, Original für kreative englische Arbeit, Multilingual für nicht-englische Inhalte

• Referenzaudioqualität — verwende einen sauberen, rauschfreien Clip von 10–30 Sekunden für beste Stimmenklonungsergebnisse

• Docker-Einrichtung — Basis-Image pytorch/pytorch:2.5.1-cuda12.4-cudnn9-runtime, Port freigeben 7860/http für Gradio

• Speichermanagement — rufen Sie torch.cuda.empty_cache() zwischen großen Batches, um VRAM freizugeben

• Unterstützte Sprachen — ar, da, de, el, en, es, fi, fr, he, hi, it, ja, ko, ms, nl, no, pl, pt, ru, sv, sw, tr, zh

• HuggingFace Space — vorher testen, bevor man mietet bei huggingface.co/spaces/ResembleAI/Chatterbox

Fehlerbehebung

Problem	Lösung
CUDA out of memory	Verwende Turbo (350M) statt Original/Multilingual (500M) oder miete eine größere GPU
Geklonte Stimme stimmt nicht überein	Verwende einen längeren (15–30s), saubereren Referenzclip mit minimalem Hintergrundrauschen
numpy Versionskonflikt	Ausführen pip install numpy==1.26.4 --force-reinstall
Langsamer Modelldownload	Modelle werden beim ersten Lauf von HuggingFace geladen (~2 GB); vorab herunterladen mit huggingface-cli
Audio hat Artefakte	Reduziere die Textlänge pro Generierung; sehr lange Texte können die Qualität verschlechtern
ModuleNotFoundError	Stelle sicher, dass pip install chatterbox-tts ohne Fehler abgeschlossen; überprüfe die Kompatibilität mit Python 3.11