Em resumo : A startup Resemble AI revelou o Chatterbox, uma ferramenta de síntese vocal open source que pode imitar uma voz em segundos, controlar a emoção da fala e gerar áudio em tempo real. Comparado a outros modelos proprietários, o Chatterbox foi preferido por 63,75% dos ouvintes em um teste, posicionando-se como uma alternativa interessante no mercado.
A startup canadense Resemble AI apresentou recentemente o Chatterbox, seu primeiro modelo TTS (Texto-para-Fala) open source. Distribuído sob licença MIT, este modelo de clonagem de voz se posiciona como uma alternativa viável às soluções proprietárias do mercado, ao mesmo tempo em que introduz funcionalidades inéditas para um modelo open source.
Chatterbox se baseia em uma arquitetura de 0,5 bilhão de parâmetros, treinada em 500.000 horas de dados limpos.
Características principais do modelo:
- Clonagem de voz Zero-Shot : Com apenas alguns segundos de áudio de referência, Chatterbox pode imitar qualquer voz sem a necessidade de treinamento adicional;
- Controle de emoções : Diferente de outros modelos de síntese de voz, Chatterbox permite ajustar a intensidade emocional do discurso, indo de um tom monótono a uma expressividade dramática, conforme as necessidades do usuário;
- Síntese de voz em tempo real : Graças a uma geração baseada em alinhamento, o modelo funciona mais rápido que o tempo de inferência em tempo real, tornando-o ideal para assistentes de voz, jogos de vídeo e aplicativos interativos.
- Marca d'água de segurança : Cada arquivo de áudio gerado inclui uma marca d'água perceptível (PerTh Watermarker), garantindo transparência e rastreabilidade do conteúdo gerado.
O uso do Chatterbox é simplificado graças a uma biblioteca Python dedicada (
chatterbox-tts), compatível com CUDA. O modelo pode ser inicializado localmente ou a partir de modelos pré-treinados. Os desenvolvedores também podem fornecer amostras de voz personalizadas (audio prompts) para ajustar o estilo ou a voz alvo.Resemble AI comparou o Chatterbox aos modelos proprietários do mercado.
Chatterbox vs Concorrência
| Característica | Chatterbox | Google TTS | Azure TTS | |
|---|---|---|---|---|
| Licença | MIT (Gratuito) | Proprietário | Proprietário | Proprietário |
| Controle de emoções |  Avançado | Básico |  | |
| Latência | <200 ms | ~300 ms | ~400 segundos | ~500 ms |
| Preferência do usuário | 63.75% | 36.25% | N/A | N/A |
| Marca d'água | Incorporada | | | |
| Clonagem de voz | Sim | Sim | | Limitado |
Em um teste comparativo conduzido pela Podonos, os ouvintes preferiram o Chatterbox em 63,75% dos casos em relação ao modelo proprietário da ElevenLabs, que é considerado um dos líderes do mercado.
A Resemble AI disponibiliza uma interface de demonstração via Hugging Face (Gradio), permitindo testar o modelo sem instalação local. Para usos mais intensivos ou críticos, a empresa oferece uma versão comercial do motor TTS com latência inferior a 200 ms.