Chatterbox 开源 TTS 完整指南2 条命令跑通本地中英语音合成覆盖 23 种语言【免费下载链接】chatterboxSoTA open-source TTS项目地址: https://gitcode.com/GitHub_Trending/chatterbox7/chatterboxChatterbox 是 Resemble AI 发布的开源文本转语音TTS模型家族。TTS 就是文字变语音把一段文字读出来变成音频文件。它能用中文、英文等 23 种语言合成语音也能用 10 秒参考音频克隆音色。项目提供 Turbo、Nano、Multilingual 三种规格最小的 Nano 纯 CPU 就能跑到 3 倍实时速度。本文适合有基础 Python 环境的开发者和语音应用使用者。读完并动手后你能在自己机器上跑通第一条多语言语音并会按延迟、多语言、变声三类需求选对模型。如何安装 Chatterbox 并跑出第一条语音官方在 Python 3.11 上开发测试Python 3.10 及以上都支持。推荐先建虚拟环境避免依赖冲突。git clone https://gitcode.com/GitHub_Trending/chatterbox7/chatterbox cd chatterbox pip install -e .依赖版本都锁死在 pyproject.toml 里包括 torch 2.6.0、librosa、gradio 等不用你手动一个个装。装好后跑仓库里的示例脚本python example_tts.py首次运行会自动下载模型权重稍等片刻。跑完后你会在当前目录得到test-1.wav英文和test-2.wav法语两个文件听到语音就说明环境通了。Chatterbox 能做什么4 个常见使用场景入口脚本和功能对应关系如下入口脚本功能适合场景example_tts.py英文 TTS 多语言演示验证环境是否装好example_tts_turbo.pyChatterbox-Turbo 低延迟合成实时语音 Agentexample_tts_nano.pyChatterbox-Nano 合成无 GPU、边缘设备example_vc.py语音转换变声把一段音频换成目标音色example_for_mac.pyMac M 系列芯片版演示Apple Silicon 开发机gradio_tts_app.py英文 TTS 网页界面交互式调参multilingual_app.py23 语言网页界面多语言合成试听gradio_vc_app.py语音转换网页界面交互式变声用 Chatterbox Multilingual V3 合成中文多语言模型支持 ar、de、en、fr、ja、ko、zh 等 23 种语言。中文合成时传language_idzh加载时传t3_modelv3使用最新 V3 权重。from chatterbox.mtl_tts import ChatterboxMultilingualTTS model ChatterboxMultilingualTTS.from_pretrained(devicecuda, t3_modelv3) wav model.generate(你好今天天气真不错希望你有一个愉快的周末。, language_idzh)device传cuda、cpu或 Mac 的mps均可。想免敲代码试听全部语言直接运行python multilingual_app.py网页里下拉选语言、改文本即可。用 Turbo 或 Nano 生成带情绪的语音Turbo350M面向低延迟英文语音Nano110M是它的最小版本纯 CPU 可用。两者原生支持副语言标签在文本里写[laugh]、[chuckle]、[cough]合成结果会带出笑声、轻笑等效果。from chatterbox.tts_turbo import ChatterboxTurboTTS # nanoTrue 加载最小的 Nano 模型devicecpu 即可纯 CPU 运行 model ChatterboxTurboTTS.from_pretrained(devicecuda, nanoTrue) text Oh, thats hilarious! [chuckle] We have a new model in store. wav model.generate(text, audio_prompt_pathref_clip.wav)用 10 秒参考音频克隆指定音色上面的audio_prompt_path就是零样本语音克隆的开关给一段 10 秒左右的干净人声模型会照着这个音色念你的文本。不传该参数则用默认声音。想反复调整音色表现运行python gradio_tts_app.py上传参考音频更直观。用语音转换把说话人换成目标音色变声VC不做文字输入直接处理音频把input.wav里说话人的声音替换成target_voice.wav的音色。from chatterbox.vc import ChatterboxVC model ChatterboxVC.from_pretrained(cuda) wav model.generate(audioinput.wav, target_voice_pathtarget_voice.wav)Chatterbox 工作原理从文本到波形的三步流水线合成过程像做菜的备料 → 炒制 → 出锅流程如下主要文件分工模块职责src/chatterbox/tts.py、mtl_tts.py、tts_turbo.py三类模型的推理入口src/chatterbox/vc.py语音转换入口src/chatterbox/models/t3/文本到语音 token 的语言模型Llama 架构src/chatterbox/models/s3gen/语音 token 到梅尔频谱含 HiFT-GAN 声码器src/chatterbox/models/voice_encoder/从参考音频提取说话人特征src/chatterbox/models/tokenizers/文本分词与多语言规范化T3 负责备料把文字变成语音配方S3Gen 负责炒制用流匹配生成频谱HiFT-GAN 负责出锅还原出能听的波形。每段输出音频都内置了不可感知的 Perth 水印可用于溯源。Chatterbox 新手常见坑与解决办法⚠️首次运行下载慢模型权重在首次from_pretrained时自动拉取体积较大。建议提前在稳定网络下跑一次示例脚本把权重缓存到本地。显存不够或没有显卡Turbo 的算力和显存占用比初代更低Nano 只有 110M 参数devicecpu即可运行8 核 CPU 可达 3 倍实时速度。内存最紧张的场景优先选 Nano。跨语言合成时口音漂移参考音频的语言要和目标语言一致否则输出会带上参考音频的口音。做语言迁移时把cfg_weight设为 0 可缓解。依赖冲突固定用 Python 3.11 建虚拟环境依赖版本在 pyproject.toml 中已锁定torch 2.6.0、gradio 6.8.0 等避免和其他项目的包互相覆盖。Mac 用户跑不了 cuda参考 example_for_mac.py它用mps后端并处理了设备加载问题M 系列芯片可直接跑通。Chatterbox 下一步建议Chatterbox 是当下可本地部署的开源 TTS 全家桶多语言选 Multilingual V3低延迟选 Turbo极限资源选 Nano变声选 VC。下一步建议先运行python multilingual_app.py在网页里用zh试一次中文合成做实时场景再去看 example_tts_turbo.py。模型更新和单语言强化包Single Language Pack的动态以仓库 README.md 的 Model Zoo 部分为准。【免费下载链接】chatterboxSoTA open-source TTS项目地址: https://gitcode.com/GitHub_Trending/chatterbox7/chatterbox创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
