Перейти к основному контенту

Chatterbox API

Без цензуры — Модель заявляет об отсутствии контент-фильтра. SpicyAPI передаёт запрос без проверки контента платформой; ответственность за законность и за согласие участников остаётся на клиенте.Посмотреть все модели с этим уровнем фильтрации
resemble-ai/chatterbox-v1/text-to-speech

Chatterbox от Resemble AI с открытым кодом, text-to-speech: читает до 1 000 символов английского текста в моно WAV 24 кГц встроенным голосом или голосом короткого референсного клипа. Выразительность и вариативность настраиваются.

От $0.036/запрос
Запустить модель

Рабочая область

Ввод

Текст в речь
119/1000
До 1000 символов английского текста, читаемых в точности как написано. Теги вроде <laugh> зачитываются вслух; вместо них записывайте звуки по буквам. Не менее 1 символов · Не более 1000 символов

Эта модель зачитывает теги вроде [sighs] вслух. Лучше пишите звуки словами: «Ммм…», «Ха-ха».

$0.036 фиксированно за запрос, до 1 000 символов

0/1

Перетащите аудиофайл или выберите файл на устройстве · 1 файл · Не более 90 МБ · MP3 · WAV

Файлы: 0 / 1
Необязательный фрагмент MP3 или WAV с голосом, который нужно повторить: загрузите его или укажите публичный URL. Чтение перенимает тембр этого фрагмента; слова из него не повторяются. Лучше всего подходят несколько секунд одного чистого голоса без музыки. Используйте только голоса, на которые у вас есть права. Цену не меняет. Не менее 1 символов
Выразительность
Насколько эмоционально звучит чтение, от 0 (ровно) до 1 (драматично). По умолчанию: 0,5. Не меньше 0 · Не больше 1
Температура
Вариативность между дублями, от 0,05 до 2. По умолчанию: 0,7. Не меньше 0.05 · Не больше 2
Насколько точно чтение следует естественному темпу текста, от 0,1 до 1. По умолчанию: 0,5; понизьте значение, чтобы замедлить торопливое чтение. Не меньше 0.1 · Не больше 1
Фильтр безопасностиВыключен

SpicyAPI не применяет фильтр безопасности к этой модели. Промпт и материалы передаются модели без изменений, а результат определяет сама модель.

Проверяем аккаунт перед включением отправки и расчёта стоимости.

Вывод

Готово к запуску
Пример результата
0:00 / –:––
Аватар
Речь в текст
Синхронизация губ

Связанные модели и следующие шаги

Нужной модели нет?

Напишите, какую модель добавить и для чего она вам нужна. Запрос попадёт к тем, кто решает, что подключать дальше.

Один встроенный голос, три ползунка и никаких тегов, с которыми пришлось бы бороться

Chatterbox — модель синтеза речи с открытым исходным кодом от Resemble AI: вы отправляете до 1000 символов английского текста, и модель озвучивает его своим единственным встроенным голосом в виде файла WAV с частотой 24 кГц. На этом эндпоинте нет ни списка голосов, ни клонирования — exaggeration, temperature и guidance_scale меняют то, как этот единственный голос подаёт реплику, а не то, чей это голос. Каждый запрос стоит одну и ту же фиксированную цену независимо от длины, а теги в квадратных или угловых скобках, такие как <laugh>, озвучиваются как слова, а не разыгрываются, поэтому звуки нужно прописывать буквами. SpicyAPI не применяет никакой фильтрации контента, и в наших тестах наши самые сильные тестовые сценарии озвучивались полностью.

Открыть плейграунд
Голос
Один встроенный английский голос; без списка, без клонирования
Символов на запрос
До 1000, только английский
Формат вывода
WAV, моно, 24 кГц, 16 бит
Цена
Фиксированная $0,036 за запрос, любая длина в пределах лимита
Теги
<laugh> и подобные озвучиваются как слова, не разыгрываются
Лицензия
Открытый код (MIT), Resemble AI, выпущена в мае 2025
Голос
Один голос, настраиваемый тремя способамиПоля voice_id нет, потому что голос всего один. exaggeration, temperature и guidance_scale перестраивают то, как он подаёт реплику — спокойнее или драматичнее, с большим или меньшим разбросом между дублями, — но никогда не меняют, чей это голос.
Оплата
Фиксированная цена, не зависящая от длиныРеплика из шести символов и абзац из 1000 символов стоят одинаково. Из-за этого короткие реплики персонажа обходятся сравнительно дороже в пересчёте на символ, а длинное повествование — сравнительно дешевле; планируйте пакет коротких реплик с учётом этого.
Теги
Пропишите звук буквами, а не тегомВ наших тестах указания в квадратных скобках вроде [sigh] или теги в угловых скобках вроде <laugh> озвучивались как буквальные слова, а не разыгрывались как звуки. Прописанное буквами «ммм…» или «ха…» работает там, где тег не срабатывает, а повышение exaggeration сдвигает прописанный звук ещё дальше к драматичному.

What the Chatterbox API does well

  • Голос без решения о настройке

    Выбирать нечего: каждый запрос использует один и тот же встроенный голос, поэтому нет этапа кастинга, сравнения пресетов и риска, что серия начнёт плыть между голосами из-за того, что кто-то на полпути выбрал другой.

  • Три ползунка вместо промпта для написания

    exaggeration задаёт, насколько эмоциональна подача, temperature добавляет разброс между дублями, а guidance_scale контролирует, насколько точно подача следует естественному темпу текста. Вместе они покрывают более широкий диапазон интерпретаций, чем обычно даёт один голос, без необходимости текстового описания тона.

  • Фиксированная цена, которую легко заложить в бюджет

    Каждый запрос стоит одну и ту же сумму независимо от количества символов в пределах лимита в 1000. Пакет реплик — это простое умножение: количество реплик на фиксированную цену — без необходимости заранее оценивать общее число символов.

  • Вывод WAV без потерь

    Результат — файл WAV моно PCM с частотой 24 кГц и глубиной 16 бит, а не сжатый формат, что важно, когда клип будет сводиться, накладываться на эффекты или перекодироваться на следующем этапе, а не воспроизводиться как есть.

  • Модель с открытым кодом за размещённым эндпоинтом

    Chatterbox выпущена по лицензии MIT, но для хорошей работы всё равно нужно управлять инференсом на GPU. Этот эндпоинт снимает эту задачу: те же открытые веса, вызываемые по HTTP, по фиксированной цене за запрос.

  • Сценарии без фильтра озвучиваются как написано

    SpicyAPI не добавляет к модели никакой фильтрации контента. В наших тестах Chatterbox озвучивал полностью наши самые сильные тестовые сценарии — реплики от первого лица и повествование, включая прописанные буквами звуки, ничего не пропуская и не обрывая клип раньше времени.

Who Chatterbox is for

  • Игровые и анимационные студии

    Короткие реплики персонажа, где энергия важнее выбора тембра

    Один голос с ползунком exaggeration покрывает много случаев для криков, быстрых реакций и коротких реплик персонажа, а фиксированная цена за запрос делает большой пакет коротких реплик предсказуемым для бюджета, а не штрафующим за символ.

  • Команды прототипирования

    Временный голос до окончательного решения о кастинге

    Наложите голос на демо, раскадровку или сценарий чат-бота, прежде чем остановиться на окончательном голосе в другом месте каталога. Фиксированная цена за реплику делает раннюю итерацию дешёвой независимо от того, сколько дублей проходит сценарий.

  • Нецензурированная аудиопроза

    Повествование, которое продолжается до конца сцены

    В наших тестах наши самые сильные монологи и повествование озвучивались полностью, а прописанные буквами звуки произносились, а не пропускались. Для каталога прозы, построенного вокруг такого материала, повествование, которое не отступает, — это то, что вообще делает рабочий процесс пригодным.

  • Создатели видео и короткого формата

    Голосовая дорожка для размещения на таймлайне

    Сгенерируйте реплику здесь в виде файла WAV, а затем передайте её модели говорящего аватара или синхронизации губ, либо вставьте прямо в монтаж. Вывод без потерь лучше переносит этап сведения, чем сжатый файл.

How to call the Chatterbox API

  1. Напишите сценарий по-английски, менее 1000 символов

    Расставьте пунктуацию под нужные паузы. Более длинные сценарии нужно разбить по границам предложений на несколько запросов и потом сшить вместе; каждый запрос тарифицируется по фиксированной ставке независимо от длины.

  2. Прописывайте звуки буквами вместо тегов

    В наших тестах теги вроде <laugh> или [sigh] озвучивались как слова, а не разыгрывались. Напишите «ха…», «ммм…» или «аах…» прямо в тексте и повысьте exaggeration для более драматичной подачи.

  3. Настройте exaggeration под эмоциональный диапазон

    0,5 — значение по умолчанию, и оно звучит естественно для большинства повествований. Повышайте его к 1 для драматичных, задыхающихся или кричащих реплик; понижайте к 0 для ровной, спокойной подачи.

  4. Скорректируйте guidance_scale, если темп не подходит

    guidance_scale по умолчанию равен 0,5. Понижение к 0,3 замедляет подачу, которая выходит слишком быстрой или слишком драматичной; повышение temperature добавляет больше разброса между отдельными дублями одной и той же реплики.

  5. Возьмите WAV из результата задачи

    Задача возвращает один файл WAV моно, 24 кГц, 16 бит, который хранится в хранилище SpicyAPI 14 дней. Неудачный запрос не тарифицируется.

Chatterbox worked examples

  • Драматичный крик персонажа

    Повышение exaggeration сдвигает короткую реплику к более драматичной, задыхающейся подаче — полезно для игрового выкрика или анимированной реакции.

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

  • Спокойное ночное повествование

    Понижение exaggeration и guidance_scale даёт более медленную, ровную подачу, подходящую для тихой повествовательной реплики.

    {"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}

  • Прописанный буквами вздох вместо тега

    Поскольку теги в скобках озвучиваются как слова, звук вроде вздоха прописывается прямо в тексте, а не помечается тегом.

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

Chatterbox API questions

Поскольку голос всего один, ползунки — единственный способ изменить, как звучит реплика: держите exaggeration близко к значению по умолчанию для повествования и сдвигайте его к 1 только для реплик, которые должны звучать драматично или задыхающеся, поскольку весь сценарий, прочитанный с высоким exaggeration, склонен звучать равномерно напряжённо, а не выразительно. Прописывайте звуки словами, а не тегами — прописанное буквами «ммм…» в сочетании с более высоким значением exaggeration ближе к разыгранному звуку, чем любое указание в скобках. Поскольку цена фиксирована за запрос, а не за символ, стоит объединять несколько коротких реплик в меньшее число более длинных запросов там, где это позволяет сценарий.