Pular para o conteúdo principal

Chatterbox API

Sem censura — Este modelo declara não aplicar filtro de conteúdo. A SpicyAPI encaminha a solicitação sem adicionar uma análise de conteúdo da plataforma; as obrigações legais e de consentimento continuam com o cliente.Ver todos os modelos com esse nível de filtragem
resemble-ai/chatterbox-v1/text-to-speech

O text-to-speech Chatterbox da Resemble AI, de código aberto, lê até 1.000 caracteres de inglês em um WAV mono de 24 kHz, com a voz embutida ou a voz de um clipe de referência curto que você enviar. Expressividade e variação são ajustáveis.

A partir de $0.036/solicitação
Executar modelo

Playground

Entrada

Texto para fala
119/1000
Até 1.000 caracteres de inglês, lidos exatamente como escritos. Marcações como <laugh> são lidas em voz alta; escreva os sons por extenso em vez disso. pelo menos 1 caracteres · no máximo 1000 caracteres

Este modelo lê em voz alta tags como [sighs]. Prefira escrever os sons, como “Hmm…” ou “Haha”.

$0.036 fixo por requisição, até 1.000 caracteres

0/1

Solte um arquivo de áudio aqui ou procure no computador · 1 arquivo · Máx. 90 MB · MP3 · WAV

0 / 1 arquivos
Clipe opcional em MP3 ou WAV da voz a imitar: envie o arquivo ou informe uma URL pública. A leitura assume o timbre desse clipe; as palavras dele não são repetidas. Funcionam melhor alguns segundos de uma única voz limpa, sem música. Use apenas vozes que você tem o direito de usar. Não altera o preço. pelo menos 1 caracteres
Expressividade
Quão emotiva é a leitura, de 0 (neutra) a 1 (dramática). Padrão: 0,5. não menor que 0 · não maior que 1
Temperatura
Variação entre as tomadas, de 0,05 a 2. Padrão: 0,7. não menor que 0.05 · não maior que 2
Quão rigorosamente a leitura segue o ritmo natural do texto, de 0,1 a 1. Padrão: 0,5; diminua-o para desacelerar uma leitura apressada. não menor que 0.1 · não maior que 1
Filtro de segurançaDesligado

A SpicyAPI não executa filtro de segurança neste modelo. Seu prompt e suas mídias chegam ao modelo exatamente como você os enviou, e o próprio modelo decide o resultado.

Verificando sua conta antes de liberar o envio e a estimativa de preço.

Saída

Pronto para uma nova execução
Resultado de exemplo
0:00 / –:––
Avatar
Fala para texto
Sincronia labial

Modelos relacionados e próximas tarefas

Não encontrou o modelo que precisa?

Conte qual modelo adicionar e para que você vai usá-lo. Os pedidos vão direto para quem decide os próximos modelos.

Uma voz embutida, três controles, e nenhuma tag para brigar

O Chatterbox é o modelo de texto para fala de código aberto da Resemble AI: você envia até 1.000 caracteres em inglês e ele os lê de volta com sua única voz embutida, como um arquivo WAV de 24 kHz. Este endpoint não tem lista de vozes nem clonagem — exaggeration, temperature e guidance_scale mudam como essa única voz interpreta, não quem ela é. Cada solicitação custa o mesmo preço fixo independentemente do tamanho, e tags entre colchetes ou colchetes angulares como <laugh> são lidas em voz alta como palavras em vez de interpretadas, então os sons precisam ser escritos por extenso. A SpicyAPI não aplica nenhum filtro de conteúdo, e em nossos testes nossos roteiros de teste mais intensos foram lidos por completo.

Abrir o playground
Voz
Uma voz embutida em inglês; sem lista, sem clonagem
Caracteres por solicitação
Até 1.000, somente inglês
Saída
WAV mono de 24 kHz, 16 bits
Preço
US$ 0,036 fixo por solicitação, qualquer tamanho até o limite
Tags
<laugh> e similares são lidas em voz alta, não interpretadas
Licença
Código aberto (MIT), Resemble AI, lançado em maio de 2025
Voz
Uma voz, ajustável de três formasNão existe campo voice_id porque só há uma voz. exaggeration, temperature e guidance_scale remodelam como ela interpreta uma fala — mais calma ou mais dramática, mais ou menos variada entre takes —, sem nunca mudar qual voz está falando.
Preço
Um preço fixo, independente do tamanhoUma fala de seis caracteres e um parágrafo de 1.000 caracteres custam o mesmo. Isso torna falas curtas de personagem comparativamente caras por caractere e a narração longa comparativamente barata — planeje um lote de falas curtas levando isso em conta.
Tags
Escreva o som por extenso, não o marque com tagEm nossos testes, indicações entre colchetes como [sigh] ou tags entre colchetes angulares como <laugh> foram lidas em voz alta como palavras literais em vez de interpretadas como sons. Um 'mmm...' ou 'ha...' escrito por extenso funciona onde uma tag falha, e aumentar exaggeration empurra um som escrito por extenso ainda mais para o dramático.

What the Chatterbox API does well

  • Uma voz sem decisão de configuração a tomar

    Não há nada para escolher: toda solicitação usa a mesma voz embutida, então não há etapa de casting, nem comparação de predefinições, nem risco de uma série derivar entre vozes porque alguém escolheu outra no meio do caminho.

  • Direção em vez de um parâmetro para ajustar

    exaggeration define o quão emocional é a leitura, temperature adiciona variação entre takes, e guidance_scale controla o quão de perto a interpretação segue o ritmo natural do texto. Juntos, cobrem uma gama de interpretações mais ampla do que uma única voz costuma oferecer, sem precisar de uma descrição textual do tom.

  • Um preço fixo fácil de orçar

    Cada solicitação custa o mesmo valor, seja qual for o número de caracteres até o limite de 1.000. Um lote de falas é uma multiplicação direta — número de falas vezes o preço fixo —, sem precisar estimar antes o total de caracteres.

  • Saída WAV sem perdas

    O resultado é um arquivo WAV mono PCM de 24 kHz, 16 bits, em vez de um formato comprimido, o que importa quando o clipe será mixado, sobreposto com efeitos, ou recodificado mais adiante em vez de reproduzido tal como está.

  • Um modelo de código aberto por trás de um endpoint hospedado

    O Chatterbox é lançado sob a licença MIT, mas executá-lo bem ainda significa gerenciar inferência em GPU. Este endpoint elimina essa etapa: os mesmos pesos abertos, chamados via HTTP, a um preço fixo por solicitação.

  • Roteiros sem filtro lidos como escritos

    A SpicyAPI não adiciona nenhum filtro de conteúdo sobre o modelo. Em nossos testes, o Chatterbox leu por completo nossos roteiros de teste mais intensos, tanto falas em primeira pessoa quanto narração, incluindo sons escritos por extenso, sem pular nada nem cortar o clipe antes da hora.

Who Chatterbox is for

  • Estúdios de jogos e animação

    Falas curtas de personagem em que a energia importa mais que a escolha do timbre

    Uma voz com um controle de exaggeration cobre bastante terreno para gritos, reações rápidas e falas curtas de personagem, e o preço fixo por solicitação torna um grande lote de falas curtas previsível de orçar em vez de punitivo por caractere.

  • Equipes de prototipagem

    Uma voz provisória antes da decisão final de casting

    Coloque uma voz em uma demo, um storyboard ou um fluxo de chatbot antes de se comprometer com uma voz final em outra parte do catálogo. O preço fixo por fala mantém a iteração inicial barata, não importa quantos takes um roteiro passe.

  • Ficção de áudio sem censura

    Narração que continua até o fim da cena

    Em nossos testes, nossos monólogos e roteiros de narração mais intensos foram lidos por completo, e sons escritos por extenso foram pronunciados em vez de pulados. Para um catálogo de ficção construído em torno desse material, uma etapa de narração que não hesita é o que torna o fluxo de trabalho utilizável.

  • Criadores de vídeo e formato curto

    Uma trilha de voz para colocar em uma timeline

    Gere a fala aqui como um arquivo WAV e depois entregue-a a um modelo de talking-avatar ou lip-sync, ou corte direto em uma edição. A saída sem perdas resiste melhor a um processo de mixagem do que um arquivo comprimido.

How to call the Chatterbox API

  1. Escreva o roteiro em inglês, com menos de 1.000 caracteres

    Pontue para as pausas que você quiser. Roteiros mais longos precisam ser divididos nos limites das frases em várias solicitações e costurados depois; cada solicitação é cobrada na taxa fixa independentemente do tamanho.

  2. Escreva os sons por extenso em vez de marcá-los com tag

    Tags como <laugh> ou [sigh] foram lidas em voz alta como palavras em nossos testes, não interpretadas. Escreva 'ha...', 'mmm...' ou 'ahh...' diretamente no texto e aumente exaggeration para uma leitura mais dramática.

  3. Defina exaggeration para a amplitude emocional

    0,5 é o padrão e soa natural para a maioria das narrações. Aumente em direção a 1 para falas dramáticas, ofegantes ou gritadas; diminua em direção a 0 para uma interpretação plana e calma.

  4. Ajuste guidance_scale se o ritmo não encaixar

    guidance_scale vem por padrão em 0,5. Diminuí-lo em direção a 0,3 desacelera uma leitura que sai rápida ou dramática demais; aumentar temperature adiciona mais variação entre takes separados da mesma fala.

  5. Leia o WAV no resultado da tarefa

    A tarefa retorna um arquivo WAV mono de 24 kHz, 16 bits, mantido no armazenamento da SpicyAPI por 14 dias. Uma solicitação com falha não é cobrada.

Chatterbox worked examples

  • Um grito dramático de personagem

    Aumentar exaggeration empurra uma fala curta para uma interpretação mais dramática e ofegante — útil para um grito de jogo ou uma reação animada.

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

  • Narração calma de madrugada

    Diminuir exaggeration e guidance_scale dá uma leitura mais lenta e plana, adequada para uma fala de narração 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}

  • Um suspiro escrito por extenso em vez de uma tag

    Como tags entre colchetes são lidas como palavras, um som como um suspiro é escrito diretamente no texto em vez de marcado com tag.

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

Chatterbox API questions

Como só existe uma voz, os controles são a única forma de mudar como uma fala soa: mantenha exaggeration perto do padrão para narração e empurre-o em direção a 1 só para falas que devem soar dramáticas ou ofegantes, já que um roteiro inteiro lido com exaggeration alto tende a soar uniformemente intenso em vez de expressivo. Escreva os sons por extenso em vez de usar tags — um 'mmm...' escrito por extenso combinado com um valor mais alto de exaggeration chega mais perto de um som interpretado do que qualquer indicação entre colchetes. Como o preço é fixo por solicitação e não por caractere, vale a pena combinar várias falas curtas em menos solicitações mais longas quando o roteiro permitir.