Chatterbox TTS

Коротко

Разработчик

Resemble AI, модель открытая

На входе

английский текст до 5000 символов

Голос

один встроенный или по образцу от 5 до 30 секунд

Образец

MP3, WAV, M4A, OGG, FLAC или WEBM до 10 МБ, либо запись с микрофона в форме

На выходе

запись WAV, моно, 24 кГц

Русский язык

не читает: вместо русской фразы у нас вышла секунда невнятных звуков

Цена

5 ₽ за 1000 символов

API

есть, документация

Что умеет: шесть наших записей

Для статьи мы сделали в Chatterbox TTS шесть записей, каждая была готова за 17–33 секунды. Слова сверяли распознаванием речи, а длительность, паузы и высоту голоса мерили по самим файлам. Тембр и характер подачи замер не передаёт, поэтому плееры ниже лучше послушать. Голоса реальных людей мы не повторяли: образцами послужили записи, которые раньше озвучили другие нейросети сайта.

Выразительность: спокойно и ярко

Короткий монолог про неудачный хлеб мы прочитали встроенным голосом дважды. Первый раз переключатель Дополнительно не трогали. Во второй включили его, подняли Выразительность до 0,7 и опустили Точность до 0,3: такое сочетание для живой речи советуют сами разработчики.

Разница заметна и по цифрам. Спокойный вариант длится 23,4 секунды, в нём три паузы длиннее 0,4 секунды. Яркий уложился в 19,9 секунды, без единой такой паузы, а голос в среднем стал выше и чуть громче. По замеру монолог стал быстрее и выше, а насколько взволнованно это звучит, проверьте на слух. Для рекламы и сценки мы бы взяли второй вариант, для инструкции или урока первый.

Метки смеха и вздоха: сначала послушайте

В подсказке поля Текст на английском перечислены восемь меток звуков: <laugh>, <sigh>, <chuckle> и другие. В монологе выше их три. Распознавание речи на месте каждой записало само слово: «sigh», «laugh», «chuckle». В третьей пробе мы заменили угловые скобки квадратными, и «laugh» с «chuckle» снова распознались словами. Похоже, в наших записях модель произносит метку, а не смеётся. Прежде чем расставлять метки по всему тексту, проверьте одну на короткой фразе, а для смеха и вздоха надёжнее xAI TTS v1: в наших пробах её теги словами не звучали.

Голос по образцу: английская и русская запись

Ради голоса по образцу эту нейросеть и стоит открывать. Мы взяли две записи по 22–23 секунды. Первая — английская страшилка, её озвучила Seed Speech TTS 2.0 голосом Стоки. Вторая, русское сообщение мастерской, начитана в Inworld TTS 1.5 голосом Николай.

Оба образца мы по очереди загрузили в поле Образец голоса и озвучили одно и то же объявление пекарни. Остальные настройки не меняли.

Высоту голоса модель перенесла близко к образцу. У мужского образца средняя высота 132 Гц, у результата 131. Женский образец звучит в среднем на 238 Гц, результат на 214. Похоже, вместе с тембром переехал и темп: с медленной страшилки объявление растянулось на 25,3 секунды, с паузами до 0,7 секунды между фразами, а с делового русского образца заняло 19 секунд. Дату, время и сумму распознавание в обеих записях разобрало без ошибок, а номер телефона неуверенно, так что цифры в номерах проверяйте на слух. Русский образец годится для английского текста, все слова на месте. Остался ли в речи русский акцент, распознавание не скажет, это лучше услышать самим.

Русский текст

Ради проверки мы отправили короткую русскую фразу встроенным голосом. Вместо неё пришла запись на 0,84 секунды: два невнятных звука, которые распознавание записало как «Nga! Grr!». Ошибки при этом не было, и запись оплачена как обычная. Название поля прямо предупреждает: текст нужен английский.

Как это работает

В поле Голос две кнопки. «Встроенный» читает текст единственным голосом модели, выбирать там нечего. «Образец голоса» открывает поле для записи от 5 до 30 секунд: загрузите файл до 10 МБ или нажмите запись и наговорите речь прямо в форме. Модель снимет с образца тембр и манеру и прочитает ваш текст похожим голосом; слова из образца в результат не попадают. Повторяйте свой голос или голос человека, который на это согласился.

Текст на английском, до 5000 символов, вставьте в поле Текст на английском. Переводить модель не умеет, поэтому русский черновик сначала переведите, например в чате с нейросетями. Переключатель Дополнительно открывает три ползунка подачи, без него модель читает со своими обычными настройками. Цена зависит только от длины текста и видна на кнопке Отправить до запуска.

Готовая запись в формате WAV появится в ленте под формой. Под ней есть кнопки Скачать, Изменить (текст и настройки вернутся в форму) и Повторить (то же задание запустится ещё раз, удобно, если первый дубль не понравился). В Моих результатах запись хранится 7 дней, удачную стоит сохранить в библиотеку. Образец не сохраняется: для следующей записи тем же голосом загрузите его снова.

Настройки: образец и ползунки подачи

Последние три ползунка видны, только когда включён переключатель Дополнительно. По словам разработчиков, при высокой выразительности речь ускоряется, и пониженная точность это уравновешивает. В нашей пробе с 0,7 и 0,3 запись всё равно вышла на три с половиной секунды короче спокойной.

Как писать английский текст для модели

Модель читает ровно то, что написано, поэтому текст стоит писать для уха. В хорошем тексте четыре вещи: короткие фразы, знаки препинания там, где нужен вдох, раскрытые сокращения и эмоция в самих словах. Три заготовки:

Частые ошибки:

• Русские слова внутри английского текста. Имена и названия пишите латиницей, как их произнёс бы англичанин: «Masha», «Sochi».
• Сокращения вроде «approx.» или «St.». Модель может прочитать их не так, как вы ждёте, надёжнее раскрыть: «approximately», «Street».
• Длинные телефоны и коды цифрами. В нашей пробе номер распознался неуверенно, поэтому важные цифры лучше написать словами: «five five five, oh one four two».

Сколько стоит запись

Плата берётся за каждую начатую тысячу символов, пробелы тоже считаются. Наш монолог на 303 символа стоил как полная тысяча. Образец голоса и ползунки на цену не влияют.

Пробовать голос и настройки выгоднее на одном куске до тысячи символов, а целиком отправлять уже проверенный вариант.

Для чего подойдёт английский голос с образца

• Английская озвучка ролика своим голосом, когда своего произношения стесняетесь: запишите полминуты русской речи, а английский текст модель прочитает этим тембром.
• Голос персонажа для игры, мультфильма или сценки: образец задаёт тембр, ползунок Выразительность — накал.
• Короткая реклама или объявление на английском, как наша пекарня.
• Голосовые подсказки и приветствие для приложения или сайта на английском.
• Черновая дикторская дорожка, чтобы показать заказчику темп и подачу до записи живого диктора.
• Один и тот же голос в серии роликов: храните удачный образец и загружайте его в каждый запуск.

Где модель не справится

• Только английский. Для русской озвучки по образцу возьмите Zonos2 или Qwen3 TTS, а для английского с выбором из десятков готовых дикторов подойдёт Seed Speech TTS 2.0.
• Встроенный голос один. Если подходящей записи нет, сначала озвучьте полминуты текста другой нейросетью сайта, как сделали мы.
• Метки звуков в наших пробах распознавание услышало как слова. Смех и вздох надёжнее сделать в xAI TTS v1 или ElevenLabs Eleven v3.
• Образец не хранится. Если один голос нужен постоянно, удобнее озвучка, которая хранит клон: в MiniMax Speech 2.8 он остаётся в «Моих голосах».
• Номера телефонов и коды могут прозвучать нечётко. Пишите их словами и слушайте результат до публикации.
• Запись приходит в WAV. Для мессенджера или сайта её удобно пережать в MP3 в любом аудиоредакторе.

Чем заменить и с чем сравнить

Других версий Chatterbox на сайте нет. В таблице собраны озвучки, к которым стоит присмотреться вместо неё или вместе с ней. Все озвучки сайта с общей фразой для сравнения собраны в разделе «Озвучка текста», а клон голоса по шагам разобран в инструкции про клон голоса.

Вопросы и ответы