Ir al contenido principal

Chatterbox API

Sin censura — Este modelo declara que no aplica filtros. SpicyAPI reenvía sin añadir análisis de contenido de la plataforma; las obligaciones legales y de consentimiento siguen siendo del cliente.Ver todos los modelos con este nivel de filtrado
resemble-ai/chatterbox-v1/text-to-speech

Chatterbox de Resemble AI, de código abierto, en text-to-speech lee hasta 1000 caracteres de inglés en un WAV mono de 24 kHz, con su voz integrada o con la voz de un clip de referencia corto que envíes. La expresividad y la variación son ajustables.

Desde $0.036/solicitud
Ejecutar modelo

Playground

Entrada

Texto a voz
119/1000
Hasta 1000 caracteres de inglés, leídos exactamente como están escritos. Las etiquetas como <laugh> se leen en voz alta; escribe los sonidos en letras en su lugar. mínimo 1 caracteres · máximo 1000 caracteres

Este modelo lee en voz alta etiquetas como [sighs]. Mejor escribe los sonidos, como «Mmm…» o «Jaja».

$0.036 fijo por solicitud, hasta 1000 caracteres

0/1

Suelta un audio o elige un archivo · 1 archivo · Máx. 90 MB · MP3 · WAV

0 / 1 archivos
Clip opcional en MP3 o WAV de la voz que quieres imitar: súbelo o indica una URL pública. La lectura adopta el timbre de ese clip; sus palabras no se repiten. Funcionan mejor unos segundos de una sola voz clara, sin música. Usa solo voces que tengas derecho a usar. No cambia el precio. mínimo 1 caracteres
Expresividad
Cuán emotiva es la lectura, de 0 (neutra) a 1 (dramática). Predeterminado: 0.5. no menor que 0 · no mayor que 1
Temperatura
Variación entre tomas, de 0.05 a 2. Predeterminado: 0.7. no menor que 0.05 · no mayor que 2
Cuán ceñida está la lectura al ritmo natural del texto, de 0.1 a 1. Predeterminado: 0.5; bájalo para ralentizar una lectura apresurada. no menor que 0.1 · no mayor que 1
Filtro de seguridadDesactivado

SpicyAPI no ejecuta ningún filtro de seguridad en este modelo. Tu prompt y tus medios llegan al modelo tal como los escribes, y el propio modelo decide el resultado.

Comprobando tu cuenta antes de habilitar el envío y el cálculo de precios.

Salida

Listo para una nueva ejecución
Resultado de ejemplo
0:00 / –:––
Avatar
Voz a texto
Sincronización labial

Modelos relacionados y tareas siguientes

¿No está el modelo que buscas?

Dinos cuál añadir y para qué lo usarías. Las solicitudes llegan directamente al equipo que decide los próximos modelos.

Una voz integrada, tres controles y ninguna etiqueta que se resista

Chatterbox es el modelo de texto a voz de código abierto de Resemble AI: envías hasta 1.000 caracteres en inglés y el modelo los lee con su única voz integrada, como un archivo WAV de 24 kHz. Este endpoint no tiene lista de voces ni clonación: exaggeration, temperature y guidance_scale cambian cómo interpreta esa única voz, no quién es. Cada solicitud cuesta el mismo precio fijo sin importar la longitud, y etiquetas entre corchetes o ángulos como <laugh> se leen en voz alta como palabras en lugar de interpretarse, así que los sonidos hay que deletrearlos. SpicyAPI no aplica ningún filtro de contenido, y en nuestras pruebas nuestros guiones de prueba más intensos se leyeron completos.

Abrir el playground
Voz
Una voz integrada en inglés; sin lista, sin clonación
Caracteres por solicitud
Hasta 1.000, solo en inglés
Salida
WAV mono de 24 kHz, 16 bits
Precio
$0,036 fijo por solicitud, cualquier longitud hasta el límite
Etiquetas
<laugh> y similares se leen en voz alta, no se interpretan
Licencia
Código abierto (MIT), Resemble AI, lanzado en mayo de 2025
Voz
Una voz, ajustable de tres manerasNo hay campo voice_id porque solo hay una voz. exaggeration, temperature y guidance_scale rehacen cómo interpreta una línea —más calmada o más dramática, más o menos variada entre tomas— sin que cambie nunca qué voz habla.
Precio
Un precio fijo, sin importar la longitudUna línea de seis caracteres y un párrafo de 1.000 caracteres cuestan lo mismo. Eso hace que las líneas cortas de personaje sean comparativamente caras por carácter y la narración larga comparativamente barata; planifica un lote de líneas cortas con eso en cuenta.
Etiquetas
Deletrea el sonido, no lo etiquetesEn nuestras pruebas, indicaciones entre corchetes como [sigh] o etiquetas entre ángulos como <laugh> se leyeron en voz alta como palabras literales en lugar de interpretarse como sonidos. Un «mmm...» o «ha...» deletreado funciona donde una etiqueta no, y subir exaggeration empuja un sonido deletreado más hacia lo dramático.

What the Chatterbox API does well

  • Una voz sin decisión de configuración que tomar

    No hay nada que elegir: cada solicitud usa la misma voz integrada, así que no hay paso de casting, ni comparación de preajustes, ni riesgo de que una serie derive entre voces porque alguien eligió otra a mitad de camino.

  • Tres controles en vez de un prompt que escribir

    exaggeration fija cuán emocional es la lectura, temperature agrega variación entre tomas, y guidance_scale controla cuán de cerca sigue la interpretación el ritmo natural del texto. Juntos cubren un rango de interpretaciones más amplio del que suele ofrecer una sola voz, sin necesitar una descripción textual del tono.

  • Un precio fijo fácil de presupuestar

    Cada solicitud cuesta lo mismo, sin importar la cantidad de caracteres hasta el límite de 1.000. Un lote de líneas es una multiplicación directa —número de líneas por el precio fijo— sin necesidad de estimar antes el total de caracteres.

  • Salida WAV sin pérdida

    El resultado es un archivo WAV mono PCM de 24 kHz y 16 bits en lugar de un formato comprimido, algo que importa cuando el clip se va a mezclar, a capas con efectos, o a recodificar más adelante en vez de reproducirse tal cual.

  • Un modelo de código abierto detrás de un endpoint alojado

    Chatterbox se publica bajo licencia MIT, pero ejecutarlo bien igual implica gestionar inferencia en GPU. Este endpoint elimina ese paso: los mismos pesos abiertos, llamados por HTTP, a un precio fijo por solicitud.

  • Guiones sin filtro leídos tal como están escritos

    SpicyAPI no añade ningún filtro de contenido sobre el modelo. En nuestras pruebas, Chatterbox leyó por completo nuestros guiones de prueba más intensos, tanto líneas en primera persona como narración, incluidos sonidos deletreados, sin omitir nada ni cortar el clip antes de tiempo.

Who Chatterbox is for

  • Estudios de juegos y animación

    Líneas de personaje cortas donde la energía importa más que el timbre elegido

    Una voz con un control de exaggeration cubre mucho terreno para gritos, reacciones rápidas y líneas de personaje breves, y el precio fijo por solicitud hace que un lote grande de líneas cortas sea predecible de presupuestar en vez de castigador por carácter.

  • Equipos de prototipado

    Una voz provisional antes de la decisión final de casting

    Pon una voz en una demo, un storyboard o un flujo de chatbot antes de comprometerte con una voz final en otra parte del catálogo. El precio fijo por línea mantiene barata la iteración temprana sin importar cuántas tomas requiera un guion.

  • Ficción de audio sin censura

    Narración que sigue hasta el final de la escena

    En nuestras pruebas, nuestros monólogos y guiones de narración más intensos se leyeron por completo, y los sonidos deletreados se pronunciaron en lugar de omitirse. Para un catálogo de ficción construido con ese material, un paso de narración que no titubea es lo que mantiene usable el flujo de trabajo.

  • Creadores de video y formato corto

    Una pista de voz para insertar en una línea de tiempo

    Genera la línea como un archivo WAV y luego pásala a un modelo de avatar parlante o de sincronización labial, o insértala directamente en una edición. La salida sin pérdida resiste mejor un proceso de mezcla que un archivo comprimido.

How to call the Chatterbox API

  1. Escribe el guion en inglés, menos de 1.000 caracteres

    Puntúa para las pausas que quieras. Los guiones más largos hay que dividirlos en los límites de las oraciones en varias solicitudes y unirlos después; cada solicitud se cobra a la tarifa fija sin importar la longitud.

  2. Deletrea los sonidos en vez de etiquetarlos

    En nuestras pruebas, etiquetas como <laugh> o [sigh] se leyeron en voz alta como palabras, no se interpretaron. Escribe «ha...», «mmm...» o «ahh...» directamente en el texto y sube exaggeration para una lectura más dramática.

  3. Fija exaggeration para el rango emocional

    0,5 es el valor por defecto y suena natural para la mayoría de la narración. Súbelo hacia 1 para líneas dramáticas, sin aliento o gritadas; bájalo hacia 0 para una interpretación plana y calmada.

  4. Ajusta guidance_scale si el ritmo no encaja

    guidance_scale viene por defecto en 0,5. Bajarlo hacia 0,3 ralentiza una lectura que sale demasiado rápida o demasiado dramática; subir temperature agrega más variación entre tomas separadas de la misma línea.

  5. Lee el WAV en el resultado de la tarea

    La tarea devuelve un archivo WAV mono de 24 kHz y 16 bits, guardado en el almacenamiento de SpicyAPI durante 14 días. Una solicitud fallida no se cobra.

Chatterbox worked examples

  • Un grito dramático de personaje

    Subir exaggeration empuja una línea corta hacia una interpretación más dramática y sin aliento, útil para un grito de juego o una reacción animada.

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

  • Narración calmada de madrugada

    Bajar exaggeration y guidance_scale da una lectura más lenta y plana, adecuada para una línea de narración tranquila.

    {"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}

  • Un suspiro deletreado en vez de una etiqueta

    Como las etiquetas entre corchetes se leen como palabras, un sonido como un suspiro se escribe directamente en el texto en lugar de etiquetarse.

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

Chatterbox API questions

Como solo hay una voz, los controles son la única manera de cambiar cómo cae una línea: mantén exaggeration cerca del valor por defecto para narración y súbelo hacia 1 solo en líneas que deban sonar dramáticas o sin aliento, ya que un guion entero leído con exaggeration alto tiende a sonar uniformemente intenso en vez de expresivo. Escribe los sonidos como palabras en vez de etiquetas: un «mmm...» deletreado combinado con un valor más alto de exaggeration se acerca más a un sonido interpretado que cualquier indicación entre corchetes. Como el precio es fijo por solicitud y no por carácter, conviene combinar varias líneas cortas en menos solicitudes más largas cuando el guion lo permita.