Chatterbox Turbo：350M 也能说带笑声的话

350M 参数、1 步声学解码，还能把 [laugh] 写进文本里念出来。Resemble AI 这个英文 TTS 模型，轻得有点反常。

Resemble AI 开源的 Chatterbox Turbo 只有 350M 参数。为了压低延迟，官方把语音 token 到 mel 谱的声学解码器从 10 步蒸馏到 1 步，显存和算力一起省下来；它还支持 [laugh]、[chuckle]、[cough] 这类副语言标签，写在文本里就能念出来。参数只有大模型的零头，英文却说得有情绪。

350M 的身板，1 步的声学解码

做语音智能体的人，卡点通常不是「能不能合成」，而是合成得多快、吃多少显存。Chatterbox Turbo 的答案是：声学解码器只跑 1 步，模型规模压在 350M。主干 T3 仍是逐 token 自回归生成，延迟还是会随文本变长而增加，但整体开销比同级别模型低不少。

它也不是只跑分好看。官方用 Podonos 做了一套可复现的主观听感评测，分别与 ElevenLabs Turbo v2.5、Cartesia Sonic 3、VibeVoice 7B 做了两两对比，报告公开可查（评测报告）。模型与代码在 GitHub 开源，官方也放了在线试听。

[laugh] 是原生能力，音色靠一句话克隆

多数 TTS 遇到笑声、叹气、清嗓子只能绕过去，Chatterbox Turbo 让这些标签直接成为文本的一部分。你写 [chuckle]、[cough]、[laugh]（官方说明还有更多），它就在对应位置说出来，不用后期贴音效。官方示例那句客服开场白很典型：

Hi there, Sarah here from MochaFone calling you back [chuckle], have you got one minute to chat about the billing issue?

中间那个 [chuckle]，就是「念稿」和「有人在说话」的差别。写的时候记得把标签放在词与词之间，别连着写，也别塞进英文标点里。

克隆同样是零样本：给一段 5-10 秒的清晰英文参考音频，它就用这个音色念新文本，不用训练、不用等。参考音频带什么口音，输出就是什么口音。

让它笑一下，比让它把字念对，更能说明模型的水平。

用 AIGCPanel 一键跑起来

模型再好，卡在环境配置上也是白搭。AIGCPanel 是开源的 AI 数字人桌面应用，它把 Chatterbox Turbo 打包成了一键运行包：免费下载，GPU 4G+（推荐 8G+）、内存 8G+ 就能跑；权重约 2.8GB，装之前记得留出磁盘空间。

上手三步：

1. 下载 AIGCPanel 桌面端（Windows / macOS 都有，开源免费）；
2. 进「模型」找到 Chatterbox Turbo 一键运行包，下载导入后启动，启停和实时日志都在界面上；
3. 在语音功能里输入英文文本即可合成；想要自己的音色，上传一段 5-10 秒参考音频走克隆。

有一点要先说清：这个模型只认英文。中文文本、中文参考音频都会跑偏，中文内容建议先翻成英文。

可调参数只有三个：采样温度（默认 0.8）、Top-P（默认 0.95）、随机种子——同一个种子能复现同一段语音。音色不靠调参，不传参考音频就用内置默认音色，想换就用参考音频克隆。

输出是 24kHz 单声道 wav，可以直接丢进剪辑软件。推理全程在本机：有 N 卡走 CUDA，Mac 走 MPS，两者都没有才回退 CPU，慢一些，但跑得动。文本和音频都不出本机。

写在最后

350M、1 步声学解码、原生副语言标签，凑在一个模型上。语音合成比的已经不只是「像不像」了。模型和代码都是 MIT 许可，商用自己评估就好。你能让它笑，它才算真的会说话。

如果你手上正好有需要笑一声、叹口气的英文文案，不妨下个 AIGCPanel 试试。你最想给哪句话加个 [laugh]？