Chatterbox TTS im Test

Wer Audioinhalte produziert oder eine Sprachausgabe in eine eigene KI-Anwendung einbauen will, hatte bisher die Wahl zwischen teuren Cloud-Diensten und schwächeren Open-Source-Modellen ohne Voice Cloning. Chatterbox schließt diese Lücke und kommt auf GitHub inzwischen auf über 25.000 Sterne. Seit Juli 2026 reicht dafür auch ein Rechner ohne Grafikkarte, denn die neue Nano-Variante erzeugt Sprache auf 8 CPU-Kernen 3-mal schneller als in Echtzeit und wird damit für einen kleinen Server im Netzwerk oder ein Gerät vor Ort brauchbar.

Wichtigste Funktionen

• Voice Cloning: Chatterbox benötigt nur einen kurzen Audioausschnitt der Zielstimme, rund 5 Sekunden genügen. Das Modell überträgt Klangfarbe, Rhythmus und Sprechweise auf neuen Text, ganz ohne Nachtrainieren. Die geklonte Stimme klingt in der Praxis natürlich und ist schwer vom Original zu unterscheiden.
• Multilingual V3: Die mehrsprachige Variante kam am 10. Juni 2026 heraus und deckt 23 Sprachen ab, darunter Deutsch, Englisch, Spanisch, Französisch, Portugiesisch und Mandarin. Resemble AI hat die Trainingsdaten von 25.600 auf 36.700 Stunden aufgestockt. Die geklonte Stimme bleibt dadurch beim Wechsel der Sprache stabiler, und es entstehen weniger Wiederholungen und abschweifende Sätze als in V2.
• Emotion Control: Die emotionale Färbung der Ausgabe steuerst du selbst, von neutral über freundlich bis hin zu drängend. Das ist unter Open-Source-TTS-Modellen aktuell ungewöhnlich und besonders für Sprachassistenten relevant, die je nach Situation anders klingen sollen.
• Chatterbox Turbo: Die Variante mit 350 Millionen Parametern erzeugt Sprache in einem einzigen Generierungsschritt statt in 10 und braucht dadurch spürbar weniger Rechenleistung. Sie versteht Steuerbefehle im Text wie [laugh], [cough] oder [chuckle] und setzt an dieser Stelle ein Lachen oder Husten ein. Turbo spricht ausschließlich Englisch.
• Chatterbox Nano: Die kleinste Variante mit 110 Millionen Parametern kam im Juli 2026 dazu und läuft ohne Grafikkarte. Auf 8 CPU-Kernen erzeugt sie Sprache 3-mal schneller als in Echtzeit, auf einer Grafikkarte 10-mal. Sie nutzt dieselben Trainingsdaten wie Turbo und beherrscht dieselben Steuerbefehle, ist aber ebenfalls auf Englisch beschränkt.
• Betrieb auf eigener Hardware: Die Installation läuft über ein pip-Paket und ist in wenigen Minuten erledigt. Für den Serverbetrieb stellt NVIDIA einen NIM-Container bereit, der auf eigenen Grafikkarten läuft, auch in abgeschotteten Netzen ohne Internetzugang.

Preise und Tarife

Chatterbox ist unter der MIT-Lizenz vollständig kostenlos, auch für kommerzielle Projekte. Kosten entstehen nur durch die Hardware, und die Anforderungen sind mit Turbo und Nano deutlich gesunken. Für die 500-Millionen-Modelle empfiehlt das Server-Paket Chatterbox-TTS-Server eine Grafikkarte mit 6 GB Videospeicher aufwärts sowie mindestens 8 GB Arbeitsspeicher, besser 16 GB. Nano braucht dagegen nur einen Rechner mit mehreren CPU-Kernen.

Ganz ohne eigene Hardware läuft Chatterbox stundenweise auf gemieteter Rechenleistung bei RunPod oder Google Colab, und auf Hugging Face Spaces steht eine Demo zum Ausprobieren bereit. Daneben verkauft Resemble AI einen gehosteten Dienst mit eigener Oberfläche, der bei Abrechnung nach Verbrauch keine Grundgebühr kostet und als Team-Tarif rund 301 Euro im Monat (350 USD) oder bei Jahreszahlung rund 241 Euro (280 USD) verlangt. Resemble AI nennt diese Beträge ohne Umsatzsteuer.

Für wen ist Chatterbox geeignet?

• Content-Ersteller und Podcaster: Eine gleichbleibende KI-Stimme über alle Folgen hinweg kostet hier nur Rechenzeit, während Cloud-TTS-Dienste dafür monatlich abrechnen.
• Entwicklerteams: Die MIT-Lizenz und das pip-Paket erlauben den Einbau in eigene KI-Anwendungen ohne Lizenzkosten und ohne Anbieterbindung. Der NIM-Container macht den Weg vom Versuch auf dem Notebook zum produktiven Serverbetrieb kurz.
• Hersteller von Geräten mit Sprachausgabe: Die Ansage entsteht direkt auf dem Gerät, ohne Internetverbindung. Nano ist genau für diesen Fall gebaut und nutzt die CPU, die ohnehin verbaut ist.

Weniger geeignet ist Chatterbox für Anwendungen, bei denen Audiodateien ohne jedes Wasserzeichen ausgeliefert werden müssen, und für deutschsprachige Echtzeit-Assistenten auf schwacher Hardware, weil die schnellen Varianten Turbo und Nano nur Englisch sprechen.

DSGVO und Datenschutz

Chatterbox betreibst du selbst, vom pip-Paket bis zum NIM-Container im eigenen Rechenzentrum. Weder die vorgelesenen Texte noch die Stimmproben gehen dabei an Resemble AI oder einen anderen Anbieter. Wer eine fremde Stimme klont, braucht dafür allerdings die Einwilligung der betroffenen Person, denn eine identifizierbare Stimmaufnahme ist ein personenbezogenes Datum. Die MIT-Lizenz erlaubt den uneingeschränkten kommerziellen Einsatz.

Jede erzeugte Audiodatei enthält ein PerTh-Wasserzeichen von Resemble AI, das MP3-Komprimierung und einfache Nachbearbeitung übersteht und nicht abschaltbar ist. Seit dem 2. August 2026 gelten die Transparenzpflichten aus Artikel 50 der EU-KI-Verordnung, nach denen KI-erzeugte Audioinhalte maschinenlesbar gekennzeichnet sein müssen. Ein eingebautes Wasserzeichen arbeitet dieser Pflicht zu. Ob und in welchem Umfang die Kennzeichnungspflicht dich im Einzelfall trifft, klärst du am besten juristisch, bevor du synthetische Stimmen nach außen einsetzt.

Für Unternehmen mit vertraulichen Inhalten oder Kundenstimmen ist Chatterbox damit eine der wenigen TTS-Optionen, für die weder ein Auftragsverarbeitungsvertrag noch eine Prüfung des Datentransfers in Drittländer nötig ist.

Alternativen zu Chatterbox

• ElevenLabs: Gilt als Qualitätsmaßstab unter den Cloud-TTS-Diensten, ist einfacher einzurichten und bei vielen Sprachen hochwertiger. Der Dienst kostet ab rund 5,20 Euro pro Monat (6 USD) und läuft ausschließlich in der Cloud auf US-Servern.
• Piper TTS: Läuft schon lange auf reiner CPU-Hardware, sogar auf einem Raspberry Pi, und bringt brauchbare deutsche Stimmen mit. Es klont allerdings keine Stimmen und steht seit dem Wechsel zur Open Home Foundation unter GPL-3.0. Prüf diese Lizenz, bevor du Piper in eigene Software einbettest.
• Qwen3-TTS: Die Modellfamilie von Alibaba klont Stimmen aus 3 Sekunden Audio und antwortet mit 97 ms Verzögerung schnell genug für Echtzeit-Assistenten. Sie deckt mit 10 Sprachen weniger ab als Chatterbox, spricht Deutsch dafür in jeder Variante, während bei Chatterbox nur das große 500M-Modell mehrsprachig ist.