Chatterbox (offline)

چترباکس (آفلاین)

Chatterbox (offline)
★★★★★★★★★★۳٫۲
هوش مصنوعی آفلاینابزارهای صوتپلن رایگاناجرای آفلاین
راهنمای نصب و اجرا ↓مشاهده سایت ↗
رایگان؛ کد و وزن‌ها با مجوز MIT (استفادهٔ تجاری آزاد)

مدل‌های متن‌باز تبدیل متن به گفتار Resemble AI با مجوز MIT که صدا را از روی یک نمونهٔ کوتاه شبیه‌سازی می‌کنند؛ ۲۳ زبان دارد ولی فارسی جزو آن‌ها نیست و خروجی‌ها واترمارک نامرئی دارند.

اجرا روی سیستم خودتان

این مدل را یک بار دانلود می‌کنید و بعد بدون اینترنت روی لپ‌تاپ، کامپیوتر یا سرور خودتان اجرایش می‌کنید.

  • بعد از نصب، بدون اینترنت
  • وزن‌های باز
  • MIT — استفادهٔ تجاری آزاد
  • فارسی: ندارد

در اولین اجرا مدل از Hugging Face دانلود و در پوشهٔ کش ذخیره می‌شود. بعد از آن با تنظیم HF_HUB_OFFLINE=1 بدون اینترنت اجرا می‌شود.

کد و وزن‌های رسمی MIT هستند و استفادهٔ تجاری آزاد است. فاین‌تیون فارسی جامعه (Thomcles) جداست و مجوز غیرتجاری CC BY-NC 4.0 دارد.

نسخه‌ها و سخت‌افزار لازم

  • Chatterbox Multilingual V3 (0.5B)۵۰۰M
    حافظهٔ لازم:
    کارت گرافیک ۴ گیگ یا رم ۶ گیگ
    ResembleAI/chatterbox ↗

    ۲۳ زبان، بدون فارسی. فقط با نصب از سورس گیت‌هاب (در بستهٔ PyPI 0.1.7 نیست). دانلود حدود ۳٫۲ گیگابایت. رم و حافظهٔ گرافیک تخمینی‌اند.

  • Chatterbox-Turbo (350M)۳۵۰M
    حافظهٔ لازم:
    کارت گرافیک ۴ گیگ یا رم ۶ گیگ
    ResembleAI/chatterbox-turbo ↗

    فقط انگلیسی؛ سریع و کم‌مصرف با برچسب‌هایی مثل [laugh] و [cough]. دانلود حدود ۳ گیگابایت؛ اعداد تخمینی.

  • Chatterbox-Nano (110M)۱۱۰M
    حافظهٔ لازم:
    کارت گرافیک ۰ گیگ یا رم ۵ گیگ
    ResembleAI/chatterbox-nano ↗

    فقط انگلیسی و مخصوص CPU؛ طبق سازنده روی ۸ هستهٔ CPU سه برابر سریع‌تر از زمان واقعی. فقط با نصب از سورس گیت‌هاب (در بستهٔ PyPI 0.1.7 نیست). دانلود حدود ۲ گیگابایت؛ رم تخمینی.

نصب و اجرا

  1. ۱

    از سورس گیت‌هاب نصب کنید (برای Multilingual V3 و Nano)

    git clone https://github.com/resemble-ai/chatterbox.git cd chatterbox pip install -e .

    پایتون ۳.۱۰ یا بالاتر لازم است و سازنده روی پایتون ۳.۱۱ آزمایش کرده است. Multilingual V3 و Nano فقط در کد گیت‌هاب هستند (آخرین تغییر: «Update ChatterboxNano»، ۲۱ ژوئیهٔ ۲۰۲۶).

  2. ۲

    (قدیمی‌تر) بستهٔ PyPI بدون V3 و Nano

    pip install chatterbox-tts

    نسخهٔ PyPI (0.1.7، ۲۶ مارس ۲۰۲۶) فقط مدل چندزبانهٔ قدیمی‌تر (V2) را دارد و Multilingual V3 و Nano در آن نیست؛ برای این دو، مرحلهٔ قبل را انجام دهید.

  3. ۳

    برنامهٔ وب چندزبانه را اجرا کنیدلینوکس

    CHATTERBOX_MULTILINGUAL_T3_MODEL=v3 python multilingual_app.py

    در ویندوز (PowerShell): $env:CHATTERBOX_MULTILINGUAL_T3_MODEL="v3"; python multilingual_app.py. آدرسی که در ترمینال چاپ می‌شود را باز کنید. بدون این متغیر، نسخهٔ V2 بارگذاری می‌شود.

  4. ۴

    نسخهٔ سریع انگلیسی (Turbo)

    python gradio_tts_turbo_app.py

    فقط انگلیسی؛ برچسب‌هایی مثل [laugh] را در متن بنویسید.

دانلود

نکات امنیتی

  • بخشی از فایل‌های رسمی .pt هستند؛ کد رسمی آن‌ها را در حالت امن (weights_only) بارگذاری می‌کند، ولی فایل .pt از منبع ناشناس را بارگذاری نکنید.
  • شبیه‌سازی صدا فقط با رضایت صاحب صدا؛ خروجی‌ها واترمارک PerTh دارند و قابل ردیابی‌اند.
  • برنامهٔ وب Gradio را با اشتراک عمومی یا روی اینترنت باز نکنید.

برای شرکت‌ها و سازمان‌ها

برای شرکت‌هایی که گوینده یا دستیار صوتی انگلیسی و عربی می‌خواهند مناسب است و مجوز MIT استفادهٔ تجاری را آزاد می‌گذارد؛ برای محصول فارسی مناسب نیست.

هم‌سطح ابری

آخرین بررسی: ۱۲ مهر ۱۴۰۵ · انتشار: ۲۵ اردیبهشت ۱۴۰۴

معرفی: چترباکس (آفلاین)

Chatterbox خانوادهٔ مدل‌های گفتار متن‌باز شرکت Resemble AI با مجوز MIT است. شبیه‌سازی صدا از روی یک نمونهٔ کوتاه و کنترل شدت احساس (exaggeration) ویژگی‌های اصلی آن است.

سه شاخهٔ اصلی دارد: Multilingual V3 با ۰٫۵ میلیارد پارامتر برای ۲۳ زبان (از جمله عربی، ترکی و عبری ولی بدون فارسی)؛ Turbo با ۳۵۰ میلیون پارامتر فقط برای انگلیسی با برچسب‌هایی مثل [laugh]؛ و Nano با ۱۱۰ میلیون پارامتر که روی CPU اجرا می‌شود.

سخت‌افزار سبک است: دانلود هر مدل حدود ۲ تا ۳ گیگابایت است و کارت گرافیک ۴ گیگابایتی (تخمینی) کافی است؛ روی CPU و مک (MPS) هم اجرا می‌شود ولی کندتر. Nano طبق سازنده روی ۸ هستهٔ CPU سه برابر سریع‌تر از زمان واقعی حرف می‌زند.

شروع: کد را از گیت‌هاب بگیرید و از سورس نصب کنید (git clone و pip install -e .)، چون Multilingual V3 و Nano فقط در کد گیت‌هاب هستند و بستهٔ pip install chatterbox-tts (نسخهٔ 0.1.7، مارس ۲۰۲۶) فقط مدل چندزبانهٔ قدیمی‌تر V2 را دارد. بعد برنامهٔ وب multilingual_app.py را با CHATTERBOX_MULTILINGUAL_T3_MODEL=v3 اجرا کنید. همهٔ خروجی‌ها واترمارک نامرئی PerTh دارند.

برای فارسی: مدل رسمی فارسی ندارد. یک فاین‌تیون فارسی از جامعه (Thomcles/Chatterbox-TTS-Persian-Farsi) روی Hugging Face هست که دروازه‌دار است و مجوز غیرتجاری CC BY-NC 4.0 دارد و Resemble AI آن را منتشر نکرده است.

بهترین کاربردها

  • •صدای خودم را برای ویدیوی انگلیسی آفلاین شبیه‌سازی کنم
  • •متن انگلیسی را بدون اینترنت با صدای طبیعی بخوانم
  • •برای بازی یا انیمیشن صداپیشگی عربی یا ترکی آفلاین بسازم
  • •روی CPU بدون کارت گرافیک گفتار انگلیسی بسازم
  • •روی سرور خودم دستیار صوتی سریع انگلیسی راه بیندازم
  • •جایگزین رایگان و آفلاین ElevenLabs برای انگلیسی داشته باشم

برای این کارها سراغش نروید

  • –گفتار فارسی (پشتیبانی رسمی ندارد)
  • –شبیه‌سازی صدای دیگران بدون رضایت
  • –تبدیل گفتار به متن

تصاویر محیط ابزار

صفحهٔ اصلی چترباکس (آفلاین)

صفحهٔ اصلی چترباکس (آفلاین)

قابلیت‌ها و محیط کار

قابلیت‌ها و محیط کار

نقاط قوت

  • ✓مجوز MIT؛ استفادهٔ تجاری آزاد
  • ✓شبیه‌سازی صدا از روی نمونهٔ کوتاه و کنترل شدت احساس
  • ✓سه اندازه: از Nano روی CPU تا Multilingual V3 برای ۲۳ زبان
  • ✓به گفتهٔ سازنده در ارزیابی‌های Podonos بر ElevenLabs ترجیح داده شده است
  • ✓واترمارک نامرئی برای تشخیص صدای ساختگی

نقاط ضعف

  • ✗نصب با پایتون ۳.۱۰ به بالا و PyTorch انجام می‌شود و برای سرعت خوب کارت گرافیک انویدیا (حدود ۴ گیگابایت، تخمینی) لازم است
  • ✗فارسی را به‌طور رسمی پشتیبانی نمی‌کند
  • ✗Turbo و Nano فقط انگلیسی‌اند
  • ✗نسخهٔ PyPI (0.1.7، مارس ۲۰۲۶) نه V3 دارد نه Nano؛ هر دو را باید از سورس گیت‌هاب نصب کرد
  • ✗فاین‌تیون فارسی جامعه غیرتجاری و بیرون از مخزن رسمی است

پرسش‌های پرتکرار

فارسی حرف می‌زند؟

به‌طور رسمی نه. زبان‌های پشتیبانی‌شده عربی، دانمارکی، آلمانی، یونانی، انگلیسی، اسپانیایی، فنلاندی، فرانسوی، عبری، هندی، ایتالیایی، ژاپنی، کره‌ای، مالایی، هلندی، نروژی، لهستانی، پرتغالی، روسی، سوئدی، سواحیلی، ترکی و چینی‌اند. یک فاین‌تیون فارسی از جامعه با مجوز غیرتجاری هم هست.

صدای خودم را می‌تواند شبیه‌سازی کند؟

بله؛ یک فایل صوتی کوتاه از صدای مرجع بدهید. برای بهترین نتیجه زبان نمونهٔ صدا با زبان متن یکی باشد، وگرنه لهجهٔ نمونه به خروجی منتقل می‌شود.

واترمارک چیست؟

Resemble AI یک واترمارک نامرئی (PerTh) به همهٔ خروجی‌ها اضافه می‌کند که پس از فشرده‌سازی MP3 هم می‌ماند و با کتابخانهٔ perth قابل تشخیص است.

بدون کارت گرافیک کار می‌کند؟

بله، ولی کندتر. Nano مخصوص CPU است (فقط انگلیسی). مدل چندزبانه هم روی CPU و مک اجرا می‌شود.

برای کار تجاری آزاد است؟

بله، مجوز MIT است. اما شبیه‌سازی صدای دیگران بدون رضایت‌شان کار درستی نیست و در بسیاری از کشورها غیرقانونی است. فاین‌تیون فارسی جامعه مجوز غیرتجاری دارد.

امتیاز و نظر شما

بدون نیاز به ثبت‌نام؛ نظر متنی پس از بررسی منتشر می‌شود.

نظرات کاربران

هنوز نظری ثبت نشده — اولین نفر باشید!

ابزارهای مشابه

مشاهده همه
Captions

کپشنز

Captions

رایگان

استودیوی AI برای ویدیوهای گفتاری شبکه‌های اجتماعی؛ زیرنویس متحرک خودکار، ادیت هوشمند، دوبله ۳۰+ زبانه و آواتار دیجیتال در یک اپ.

زیرنویس خودکارویرایش ویدئودوبله خودکار
★★★★★★★★★★۴٫۲(۷ رأی)
Kling AI

کلینگ

Kling AI

رایگان

ابزار ویدئوی هوش مصنوعی کوایشو با Kling 3.0 و 3.0 Omni: متن یا عکس را به کلیپ تا ۱۵ ثانیه‌ای با صدای همزمان تبدیل می‌کند؛ Omni کاراکتر را از روی ویدئوی مرجع با همان چهره و صدا در صحنه‌های تازه نگه می‌دارد.

تولید ویدئوتبدیل عکس به ویدئوهمگام‌سازی لب
★★★★★★★★★★۴٫۵(۱۴ رأی)
Murf AI

مورف

Murf AI

رایگان

استودیوی ساخت صدای گوینده با هوش مصنوعی؛ متن را تایپ می‌کنید و با صدها صدای طبیعی برای ویدئو، دورهٔ آموزشی و تبلیغ نریشن می‌گیرید.

تبدیل متن به گفتارشبیه‌سازی صدادسترسی API
★★★★★★★★★★۴(۷ رأی)