导读：完全开源、首音延迟低于150毫秒、仅需5秒音频即可复刻声音。Resemble AI 最新推出的 Chatterbox Turbo，正在把实时语音交互的门槛拉得更低。

语音 AI 这两年进步很快，但真正能“用得顺”的产品并不多，要么延迟高、要么算力吃紧，要么效果还停留在“像机器人念稿”的阶段。 Resemble AI 这次给出的解法，就是刚刚开源的 Chatterbox Turbo。

Chatterbox Turbo 从一开始就瞄准“低延迟语音交互”这个场景。官方给出的数据是，首音延迟低于150毫秒，基本贴近真人对话的响应速度。它不只是能“念出来”，而是真正可以用于实时语音助手、语音代理等场景。

在模型结构上，Turbo 采用约3.5亿参数的精简架构，对算力和显存的要求明显降低。更关键的一步是，开发团队对原本效率瓶颈明显的“语音 token 到 mel 解码器”进行了蒸馏优化，生成步骤从10步压缩到1步，同时保持音质不明显下降，这也是它能跑得更快的重要原因。

真实感，是 Chatterbox Turbo 另一条主线。

模型原生支持副语言标签（Paralinguistic Tags），比如 [laugh]、[cough]、[chuckle] 等。开发者可以直接在文本中标注，让合成语音出现自然的笑声、停顿和情绪变化，而不是一条从头到尾“平直输出”的声音。

在声音复刻上，Chatterbox Turbo 只需要约5秒参考音频即可完成克隆，无需额外训练。这一点对内容创作者、交互式应用和快速原型开发尤其友好。

Chatterbox Turbo 是100%开源，并采用 MIT 许可证，代码、模型权重、示例全部开放，既可以本地部署，也方便二次开发。 同时，Resemble AI 也保留了商业化路径：如果对规模化部署或更高稳定性有需求，可以使用其官方 TTS 服务，主打亚200毫秒级延迟，适合生产环境。

在模型体系上，Chatterbox 也并不只有 Turbo 一个版本：

• Chatterbox Turbo：主打低延迟与实时语音代理
• Chatterbox Multilingual：支持23种以上语言，适合全球化应用
• Chatterbox 标准版：强调可控性与创作自由度

所有生成的音频，还内置了不可感知的神经水印机制，在不影响听感的前提下，用于标识音频来源，提升可追溯性。

整体来看，Chatterbox Turbo 并不是“参数更大、指标更高”的那一类发布，而是一次非常明确的工程取向选择：更低延迟、更低门槛、更贴近真实对话的语音体验。

参考资料：https://github.com/resemble-ai/chatterbox