Zum Hauptinhalt springen

Chatterbox API

Unzensiert — Dieses Modell filtert Inhalte nach eigener Angabe nicht. SpicyAPI leitet die Anfrage ohne zusätzliche Plattformprüfung weiter; Rechts- und Einwilligungspflichten bleiben beim Kunden.Alle Modelle dieser Filterstufe ansehen
resemble-ai/chatterbox-v1/text-to-speech

Resemble AIs Open-Source-Modell Chatterbox Text-zu-Sprache liest bis zu 1.000 Zeichen Englisch in eine 24-kHz-Mono-WAV, mit der eingebauten Stimme oder der Stimme eines kurzen Referenzclips, den Sie senden. Ausdruck und Variation sind einstellbar.

Ab $0.036/Anfrage
Modell ausführen

Playground

Eingabe

Text zu Sprache
119/1000
Bis zu 1.000 Zeichen Englisch, genau wie geschrieben vorgelesen. Tags wie <laugh> werden laut vorgelesen; schreiben Sie Laute stattdessen aus. mindestens 1 Zeichen · höchstens 1000 Zeichen

Dieses Modell liest Tags wie [sighs] laut vor. Schreiben Sie Laute lieber aus, etwa „Mmh…“ oder „Haha“.

$0.036 pauschal pro Anfrage, bis zu 1.000 Zeichen

0/1

Audiodatei ablegen oder auswählen · 1 Datei · Max. 90 MB · MP3 · WAV

0 / 1 Dateien
Optionaler MP3- oder WAV-Ausschnitt der Stimme, die nachgeahmt werden soll: hochladen oder eine öffentliche URL angeben. Die Lesung übernimmt die Klangfarbe dieses Ausschnitts; die Worte darin werden nicht wiederholt. Am besten funktionieren einige Sekunden einer einzelnen, klaren Stimme ohne Musik. Verwenden Sie nur Stimmen, für die Sie die Rechte haben. Ändert den Preis nicht. mindestens 1 Zeichen
Ausdrucksstärke
Wie emotional die Lesung klingt, von 0 (flach) bis 1 (dramatisch). Standardwert: 0,5. nicht kleiner als 0 · nicht größer als 1
Temperatur
Variation zwischen Durchgängen, von 0,05 bis 2. Standardwert: 0,7. nicht kleiner als 0.05 · nicht größer als 2
Wie eng die Lesung dem natürlichen Tempo des Textes folgt, von 0,1 bis 1. Standardwert: 0,5; senken Sie den Wert, um eine gehetzte Lesung zu verlangsamen. nicht kleiner als 0.1 · nicht größer als 1
SicherheitsfilterAus

SpicyAPI führt bei diesem Modell keinen Sicherheitsfilter aus. Prompt und Material gehen unverändert an das Modell, und das Modell selbst entscheidet über das Ergebnis.

Wir prüfen Ihr Konto, bevor Absenden und Preisberechnung freigeschaltet werden.

Ausgabe

Bereit für einen neuen Lauf
Beispielergebnis
0:00 / –:––
Avatar
Sprache zu Text
Lippensynchronisation

Verwandte Modelle und nächste Schritte

Ihr Modell ist nicht dabei?

Sagen Sie uns, welches Modell fehlt und wofür Sie es brauchen. Ihre Anfrage geht direkt an das Team, das über die nächsten Modelle entscheidet.

Eine feste Stimme, drei Regler und keine Tags, die querschlagen

Chatterbox ist das quelloffene Text-to-Speech-Modell von Resemble AI: Sie senden bis zu 1.000 Zeichen englischen Text, und das Modell liest ihn mit seiner einen festen Stimme als WAV-Datei mit 24 kHz vor. Auf diesem Endpunkt gibt es keine Stimmliste und kein Voice-Cloning — exaggeration, temperature und guidance_scale verändern nur, wie diese eine Stimme vorträgt, nicht wer spricht. Jede Anfrage kostet unabhängig von der Länge denselben Festpreis, und Tags in eckigen oder spitzen Klammern wie <laugh> werden als Wörter vorgelesen statt performt, Geräusche müssen also ausgeschrieben werden. SpicyAPI setzt keinen Inhaltsfilter ein, und in unseren Tests wurden unsere stärksten Testskripte vollständig vorgelesen.

Playground öffnen
Stimme
Eine feste englische Stimme; keine Liste, kein Cloning
Zeichen pro Anfrage
Bis zu 1.000, nur Englisch
Ausgabe
WAV, 24 kHz, 16-Bit, mono
Preis
Fester Preis von 0,036 $ pro Anfrage, bis zur Grenze egal welche Länge
Tags
<laugh> und ähnliche werden vorgelesen, nicht performt
Lizenz
Open Source (MIT), Resemble AI, veröffentlicht im Mai 2025
Stimme
Eine Stimme, dreifach einstellbarEs gibt kein voice_id-Feld, weil es nur eine Stimme gibt. exaggeration, temperature und guidance_scale formen, wie sie eine Zeile vorträgt — ruhiger oder dramatischer, gleichförmiger oder abwechslungsreicher zwischen Takes —, ohne dass sich je die sprechende Stimme ändert.
Preis
Ein Festpreis, unabhängig von der LängeEine sechs Zeichen lange Zeile und ein 1.000 Zeichen langer Absatz kosten dasselbe. Das macht kurze Charakterzeilen pro Zeichen vergleichsweise teuer und lange Erzähltexte vergleichsweise günstig — planen Sie ein Bündel kurzer Zeilen entsprechend ein.
Tags
Geräusche ausschreiben, nicht taggenIn unseren Tests wurden Hinweise in eckigen Klammern wie [sigh] oder Tags in spitzen Klammern wie <laugh> als wörtliche Wörter vorgelesen statt als Geräusch performt. Ein ausgeschriebenes „mmm…“ oder „ha…“ funktioniert dort, wo ein Tag versagt, und ein höherer exaggeration-Wert treibt ein ausgeschriebenes Geräusch weiter Richtung dramatisch.

What the Chatterbox API does well

  • Eine Stimme ohne Einrichtungsentscheidung

    Es gibt nichts auszuwählen: Jede Anfrage nutzt dieselbe feste Stimme, also kein Casting-Schritt, kein Vergleichen von Presets und kein Risiko, dass eine Serie zwischen Stimmen hin- und herdriftet, weil jemand auf halbem Weg eine andere gewählt hat.

  • Drei Regler statt eines zu schreibenden Prompts

    exaggeration bestimmt, wie emotional die Lesung klingt, temperature fügt Variation zwischen Takes hinzu, und guidance_scale steuert, wie eng die Vortragsweise dem natürlichen Tempo des Textes folgt. Zusammen decken sie ein breiteres Spektrum an Vortragsweisen ab, als eine einzelne Stimme normalerweise bietet, ohne eine Textbeschreibung des Tonfalls zu benötigen.

  • Ein Festpreis, der sich leicht budgetieren lässt

    Jede Anfrage kostet denselben Betrag, unabhängig von der Zeichenzahl bis zur Grenze von 1.000 Zeichen. Ein Stapel von Zeilen ist eine einfache Multiplikation — Anzahl der Zeilen mal Festpreis —, ohne vorher die Gesamtzeichenzahl schätzen zu müssen.

  • Verlustfreie WAV-Ausgabe

    Das Ergebnis ist eine WAV-Datei mit 24 kHz, 16-Bit, mono PCM statt eines komprimierten Formats, was zählt, wenn der Clip gemischt, mit Effekten überlagert oder weiter unten im Prozess neu kodiert statt unverändert abgespielt werden soll.

  • Ein Open-Source-Modell hinter einem gehosteten Endpunkt

    Chatterbox steht unter der MIT-Lizenz, aber es gut zu betreiben bedeutet trotzdem, GPU-Inferenz zu managen. Dieser Endpunkt nimmt Ihnen das ab: dieselben offenen Gewichte, per HTTP aufgerufen, zu einem festen Preis pro Anfrage.

  • Ungefilterte Skripte werden wie geschrieben vorgelesen

    SpicyAPI fügt dem Modell keinen zusätzlichen Inhaltsfilter hinzu. In unseren Tests las Chatterbox unsere stärksten Testskripte mit Ich-Perspektive und Erzählpassagen vollständig vor, einschließlich ausgeschriebener Geräusche, ohne etwas auszulassen oder den Clip vorzeitig zu beenden.

Who Chatterbox is for

  • Spiele- und Animationsstudios

    Kurze Charakterzeilen, bei denen Energie wichtiger ist als die Wahl der Klangfarbe

    Eine Stimme mit einem exaggeration-Regler deckt für Bark-Zeilen, Schreie und schnelle Reaktionen viel Terrain ab, und der Festpreis pro Anfrage macht ein großes Bündel kurzer Zeilen budgetierbar statt pro Zeichen strafend.

  • Prototyping-Teams

    Eine Platzhalterstimme vor der eigentlichen Casting-Entscheidung

    Legen Sie eine Stimme auf eine Demo, ein Storyboard oder einen Chatbot-Ablauf, bevor Sie sich anderswo im Katalog auf eine endgültige Stimme festlegen. Der Festpreis pro Zeile hält die frühe Iteration günstig, egal wie viele Takes ein Skript durchläuft.

  • Unzensierte Audiofiktion

    Erzählung, die bis zum Ende der Szene weitergeht

    In unseren Tests wurden unsere stärksten Monolog- und Erzähltexte vollständig vorgelesen, und ausgeschriebene Geräusche wurden geäußert statt ausgelassen. Für einen Fiction-Katalog, der auf solchem Material aufbaut, macht ein Erzählschritt, der nicht zurückschreckt, die Pipeline überhaupt erst nutzbar.

  • Video- und Kurzformat-Creator

    Eine Tonspur zum Auflegen auf eine Timeline

    Erzeugen Sie die Zeile als WAV-Datei und geben Sie sie dann an ein Talking-Avatar- oder Lip-Sync-Modell weiter, oder schneiden Sie sie direkt in einen Edit ein. Die verlustfreie Ausgabe hält einen Mixdurchgang besser aus als eine komprimierte Datei.

How to call the Chatterbox API

  1. Das Skript auf Englisch schreiben, unter 1.000 Zeichen

    Setzen Sie Zeichensetzung für die gewünschten Pausen. Längere Skripte müssen an Satzgrenzen in mehrere Anfragen aufgeteilt und danach zusammengefügt werden; jede Anfrage wird unabhängig von der Länge zum Festpreis abgerechnet.

  2. Geräusche ausschreiben statt zu taggen

    Tags wie <laugh> oder [sigh] wurden in unseren Tests als Wörter vorgelesen, nicht performt. Schreiben Sie „ha…“, „mmm…“ oder „ahh…“ direkt in den Text und erhöhen Sie exaggeration für eine dramatischere Lesung davon.

  3. exaggeration für die emotionale Bandbreite einstellen

    0,5 ist der Standardwert und klingt für die meiste Erzählung natürlich. Erhöhen Sie ihn Richtung 1 für dramatische, atemlose oder geschrieene Zeilen; senken Sie ihn Richtung 0 für flache, ruhige Vortragsweise.

  4. guidance_scale anpassen, wenn das Tempo nicht passt

    guidance_scale steht standardmäßig auf 0,5. Ein Absenken Richtung 0,3 verlangsamt eine zu schnelle oder zu dramatische Lesung; ein Erhöhen von temperature fügt mehr Variation zwischen separaten Takes derselben Zeile hinzu.

  5. Die WAV-Datei aus dem Task-Ergebnis lesen

    Der Task liefert eine WAV-Datei mit 24 kHz, 16-Bit, mono, die 14 Tage im SpicyAPI-Speicher aufbewahrt wird. Eine fehlgeschlagene Anfrage wird nicht berechnet.

Chatterbox worked examples

  • Ein dramatischer Charakterschrei

    Ein höherer exaggeration-Wert treibt eine kurze Zeile Richtung dramatischer, atemloser Vortragsweise — nützlich für eine Game-Bark-Zeile oder eine animierte Reaktion.

    {"text": "Wait -- don't you dare walk out that door!", "exaggeration": 0.9, "temperature": 0.8}

  • Ruhige nächtliche Erzählung

    Ein niedrigerer exaggeration- und guidance_scale-Wert ergibt eine langsamere, flachere Lesung, passend für eine ruhige Erzählzeile.

    {"text": "It's late, and the house is finally quiet. I could talk to you like this all night.", "exaggeration": 0.3, "guidance_scale": 0.3}

  • Ein ausgeschriebenes Seufzen statt eines Tags

    Da Tags in Klammern als Wörter vorgelesen werden, wird ein Geräusch wie ein Seufzen direkt im Text ausgeschrieben statt getaggt.

    {"text": "Mmm... I didn't expect you to say that.", "exaggeration": 0.6}

Chatterbox API questions

Da es nur eine Stimme gibt, sind die Regler der einzige Weg, wie eine Zeile wirkt: Halten Sie exaggeration für Erzählung nahe am Standardwert und schieben Sie ihn nur für Zeilen Richtung 1, die dramatisch oder atemlos wirken sollen, da ein ganzes bei hohem exaggeration-Wert vorgelesenes Skript eher gleichförmig intensiv als ausdrucksstark klingt. Schreiben Sie Geräusche als Wörter statt als Tags aus — ein ausgeschriebenes „mmm…“ kombiniert mit einem höheren exaggeration-Wert kommt näher an ein performtes Geräusch heran als jedes Tag in Klammern. Da die Abrechnung pro Anfrage und nicht pro Zeichen pauschal erfolgt, lohnt es sich, mehrere kurze Zeilen zu weniger, längeren Anfragen zusammenzufassen, wo das Skript es zulässt.