配音不用录了：Chatterbox 三档开源模型按需选

出片的配音环节，很多人还卡在「要么自己录、要么按字数付费」的两难里。Resemble AI 开源的 Chatterbox 已经悄悄从单一模型长成了一个家族：2.7 万星、MIT 协议，官方定位是 SoTA 开源 TTS。现在的阵容里有主打多语言的 Multilingual V3、主打低延迟的 Turbo 和塞进手机的 Nano，本系列第 16 个工具就是它。

一、家族三档，按预算选

Multilingual V3 是当前旗舰，0.5B 参数、覆盖 23 种以上语言，相比前代提升了说话人相似度、减少了幻觉，官方推荐做跨语言声音克隆选它；配套还有 6 个单语言专精微调组成的 Language Pack。Turbo 走另一条路，350M 参数、面向英语语音 agent，解码器从 10 步蒸馏成 1 步，还原生支持 [laugh]、[chuckle]、[cough] 这类副语言标签，文本里写上方括号就能让配音带上笑场。Nano 再砍到 110M，专门面向设备端和 CPU 推理，8 核 CPU 跑出 3 倍实时速度。

安装就是一句 pip install chatterbox-tts，Turbo 的生成代码很短：

from chatterbox.tts_turbo import ChatterboxTurboTTS

model = ChatterboxTurboTTS.from_pretrained(device="cuda")
text = "Hi there, Sarah here [chuckle], have you got one minute to chat?"
wav = model.generate(text, audio_prompt_path="your_10s_ref_clip.wav")

注意声音克隆的方式：给一段 10 秒的参考音频，模型照着这个音色念你的文本。

二、放进出片流水线

配音在流水线里的位置很清晰：文案定稿后，Chatterbox 批量生成旁白音轨，多语言版本选 Multilingual V3；生成结果可以再交给 faster-whisper 反向转录，和原稿逐句校对，字幕就有了。整条链路零人工录音，改一处文案重跑一遍脚本即可，这正是 MIT 协议加开源权重给本地部署带来的自由度。

一句必要的提醒：声音克隆请只用自己的声音或拿到授权的声音，这条线别越。

声音之外还差配乐和音效，下一篇是 Tone.js，浏览器里的合成器与音效引擎。