Chatterbox TTSとは？使い方・日本語の注意点と2026年8月の開発終了【V3対応】

Chatterbox（チャッターボックス）は、米Resemble AIがMITライセンスでGitHubに公開したテキスト読み上げ（TTS）モデル群です。数秒の参照音声から声を写すゼロショット音声クローンと、感情の強さを数値で変えるexaggerationパラメータが特徴で、2026年6月10日に日本語を含む多言語版Multilingual V3が出ました。ただしResemble AIは2026年8月に音声生成から撤退し、Chatterboxは「保守されない研究成果」としてアーカイブ扱いになっています。この記事では、開発終了後も使ってよい条件、モデルの選び方、pip版とGitHub版の差、日本語で読み誤りを避ける書き方、API化の方法を、GitHubのソースコードと公式発表を根拠に整理します。

まとめ：Chatterboxの要点

• 正体：Resemble AIのオープンソースTTS。MITライセンスで商用利用・改変・再配布ができ、重みはHugging Faceで配布されています。
• 開発状況：2026年8月に開発終了。コードと重みは公開されたままですが、更新・サポート・有償版はありません。長く使うなら、使う版を固定して自分で保守します。
• モデル：日本語ならMultilingual V3（0.5B・23言語）、英語の低遅延用途ならTurbo（350M）、CPUや端末内ならNano（110M）。
• 導入の落とし穴：PyPIの最新は0.1.7（2026年3月26日）で、V3とNanoは入っていません。GitHubからソースで入れます。
• 日本語：漢字はpykakasiでひらがなに変換してから読むため、「今日は」が「こんにちは」、「辛い」が「つらい」になります。読みが割れる語はかなで渡します。
• 長文：1回の生成は約40秒が上限なので、文単位に分けて生成し、つなぎます。

Chatterboxの正体：Resemble AIが公開したTTSモデル群

Chatterboxは単一の製品名ではなく、Resemble AIがGitHub（resemble-ai/chatterbox）で公開しているTTSモデルの総称です。最初のモデルは2025年5月にPyPIへ登録され（0.1、5月28日）、英語専用・0.5Bでした。公式は「感情の誇張（emotion exaggeration）を制御できる初のオープンソースTTS」と説明しています。Hugging FaceのResembleAI/chatterboxの累計ダウンロード数は2026年11月5日時点で約2,514万回、GitHubのスター数は約2万7,500です。

ブラウザで登録して使うクラウドサービスではありません。自分のPCやサーバーにPythonパッケージとして入れて動かすモデルで、ブラウザではHugging Face Spacesのデモのほか、自分の環境で起動したGradioの画面や、後述するChatterbox-TTS-ServerのWeb UIからも操作できます。なお英語の「chatterbox」は「おしゃべりな人」を意味する口語で、モデル名はこの語から取られています。

主要モデル4系統と用途の違い

Multilingualは2025年9月に初版、同月25日にV2、2026年6月10日にV3が出ています。V3はV2と同じ0.5Bの骨格のまま、学習データを2万5,600時間から3万6,700時間に増やし、話者の似せ方と脱線（原稿にない発話や繰り返し）を改善したと公式ブログは説明しています。Turboは2025年12月15日に追加され、音声トークンからメルスペクトログラムへの変換を10ステップから1ステップに蒸留しています。Nanoは2026年7月21日にGitHubへ組み込まれ、8コアCPUで実時間の3倍の速さで動くとREADMEにあります。

日本語用途ではMultilingual V3を第一候補にします。V2も日本語に対応しているため、既存環境では同じ原稿と参照音声で比較して移行を判断してください。TurboとNanoは英語専用で、[laugh]や[cough]のような笑い声・咳のタグを本文に混ぜられる代わりに、言語指定の引数を持ちません。中国語・ヒンディー語・スペイン語方言などには言語別に追加学習した「Single Language Pack」が6本ありますが、日本語版はありません。2026年5月には、ブロック拡散方式で生成を速めるChatterbox-Flashも別リポジトリ（resemble-ai/chatterbox-flash）で公開されました。

2026年8月の開発終了で変わったこと

2026年11月4日、GitHubのREADME冒頭に「2026年8月をもってChatterboxは研究を終え、保守されない」という告知が追加されました。告知は、Resemble AIはTTS・音声クローンを含む音声AI製品を販売しておらず、コードはMITライセンスのアーカイブとして公開を続けるが、サポート・更新・有償プランは無いと明記しています。背景は同社CEOのZohaib Ahmed氏が2026年8月13日に公開したブログ記事で、会社の全リソースをディープフェイク検知に移し、有償の音声生成は既存顧客の支援だけを続けて新規顧客は受け付けないと説明しています。同社の表現力重視の音声モデルDramaBoxも同じ扱いになりました。

使う側にとっての変化は次のとおりです。

• PyPI版は0.1.7のまま更新されない見込み：V3とNanoはGitHubのソースにしかありません。READMEの追記を除くと、ソースの最終変更は2026年7月21日のNano対応です。
• 依存ライブラリの固定版が古くなる：torch 2.6.0・transformers 5.2.0などの固定は今後動きません。新しいCUDAやPythonへの追随は自分でフォークして直すことになります。
• Resemble AIの有償TTS APIは新規に契約できない：「本番は公式APIへ移る」という逃げ道が無くなりました。

一方で、MITライセンスの効力は変わらず、Hugging Faceの重みも配布が続いています。Spacesのデモ（初代・Multilingual・Turbo・Nano）も2026年11月5日時点で稼働中です。判断の線引きは単純で、既に組み込んで動いているシステムは使う版を固定すれば使い続けられます。新しく採用するのは、依存関係の更新と不具合対応を自社で持てる場合だけにしてください。版の固定は、pip install git+https://github.com/resemble-ai/chatterbox.git@<コミットハッシュ>の形でコミットを指定します。ただしpyproject.tomlは透かしライブラリPerThをGitHubのmasterブランチで参照し、重みも起動時にHugging Faceのmainから取得するので、コードを固定しただけでは環境が揃いません。PerThのコミットと重みのファイルも自社で保存しておきます。フォークする場合も、使用するコミットを指定してください。

Chatterboxの仕組み：T3とS3Genの2段構成

Chatterboxは、テキストから「音声トークン」を作る段と、音声トークンを波形にする段の2段でできています。ソースコード上の名前はT3とS3Genです。以下の表は初代とMultilingualの構成を示しています。TurboとNanoのT3はLlama系ではなくGPT-2系です。

T3は参照音声から取った話者埋め込みと音声プロンプトを条件にして、次の音声トークンを1個ずつ予測します。cfg_weightはこの段の分類器フリーガイダンスの強さです。S3Genの部分はソースの冒頭に「Modified from CosyVoice」とあり、Alibaba系のCosyVoiceの実装を土台にしています。S3Gen側でも話者の特徴量（CAMPPlus）を使うので、参照音声は両方の段に効きます。

この構造から、実用上の制約が1つ出てきます。generate()は音声トークンを最大1,000個までしか生成しない設定（max_new_tokens=1000）になっていて、1秒25トークンで割ると1回あたり約40秒です。それより長い原稿は途中で切れるので、次の章の方法で文単位に分けます。

インストールと最初の音声生成

pip版0.1.7とGitHub版の差：V3・Nanoの導入経路

READMEの冒頭は「pip install chatterbox-tts」ですが、PyPIの最新版0.1.7（2026年3月26日公開）には、V3を選ぶt3_model引数もNano用のnano引数もありません。V3の読み込み処理がGitHubに入ったのは2026年5月1日、Nanoは7月21日で、どちらもPyPIの更新より後です。GitHubのmasterブランチもpyproject.tomlの版番号は0.1.7のままなので、版番号では区別できません。t3_model="v3"を渡してエラーになったら、pip版を入れているのが原因です。

# pip版（初代・Multilingual V2・Turbo まで）
pip install chatterbox-tts

# V3 と Nano を使う場合はソースから
git clone https://github.com/resemble-ai/chatterbox.git
cd chatterbox
pip install -e .

Python 3.13以下ではtorchとtorchaudioが2.6.0、transformersが5.2.0、gradioが6.8.0に固定されます。既存のPython環境に入れると他のパッケージの版を巻き戻すので、専用の仮想環境を作ってから入れてください。

動作環境：Python 3.10以上とGPUの選び方

PyPIの要件はPython 3.10以上で、開発元はPython 3.11・Debian 11で検証したと書いています。deviceには"cuda"（NVIDIA GPU）、"mps"（Apple Silicon）、"cpu"を指定でき、Apple Silicon用のサンプルexample_for_mac.pyも同梱されています。固定されているtorch 2.6.0のmacOS向け配布物はarm64版だけなので、Intel Macにはそのまま入りません。公式が速度を示しているのはH100でのV3（実時間の約5倍）とNanoのCPU値だけなので、GPUのないサーバーでV3を量産するなら自分の原稿量で事前に測ってください。

日本語を読ませる最小コード

日本語はMultilingualのクラスでlanguage_id="ja"を指定します。V3を使うにはt3_model="v3"を渡し、省略するとV2が読み込まれます。出力のサンプリングレートは24kHzです。

import torchaudio as ta
from chatterbox.mtl_tts import ChatterboxMultilingualTTS

# Apple Silicon は "mps"、GPU がなければ "cpu"
model = ChatterboxMultilingualTTS.from_pretrained(device="cuda", t3_model="v3")

text = "本日は晴天なり。からい料理が好きです。"
wav = model.generate(
    text,
    language_id="ja",
    audio_prompt_path="ja_speaker_10s.wav",  # 自分で用意した参照音声のパスに変更
)
ta.save("ja_output.wav", wav, model.sr)

audio_prompt_pathを省くと同梱の既定話者で読みます。参照音声の言語とlanguage_idがずれると参照音声側の訛りが乗るとREADMEに注意書きがあり、英語話者の声で日本語を読ませたい場合はcfg_weight=0にすると訛りが抑えられます。

長文音声の文単位分割と連結

次の例は「。」「！」「？」と半角の「!」「?」で原稿を分割して連結する簡易実装です。1文自体が長い場合や区切り記号がない場合は約40秒の上限を回避できないため、生成前に原稿をさらに短く分けてください。参照音声の読み込みはprepare_conditionals()で1回だけ行えば、2文目以降はaudio_prompt_pathを省けます。generate()の戻り値は形が（1, サンプル数）のテンソルなので、2次元目で連結します。

import re
import torch
import torchaudio as ta
from chatterbox.mtl_tts import ChatterboxMultilingualTTS

model = ChatterboxMultilingualTTS.from_pretrained(device="cuda", t3_model="v3")
model.prepare_conditionals("ja_speaker_10s.wav", exaggeration=0.5)

text = open("script_ja.txt", encoding="utf-8").read()
sentences = [s.strip() for s in re.split(r"(?<=[。！？!?])", text) if s.strip()]
if not sentences:
    raise ValueError("原稿に読み上げる文字がありません")

wavs = [model.generate(s, language_id="ja") for s in sentences]
ta.save("long_output.wav", torch.cat(wavs, dim=1), model.sr)

日本語の品質と読み誤りの回避

日本語の公式CER評価：21.87%という結果と適用範囲

Resemble AIはV3の発表ブログで、言語ごとに100文を合成し、whisper-large-v3で書き起こした結果と原文を比べる文字誤り率（CER）を公開しました。英語0.65%、イタリア語とドイツ語は0.20%未満なのに対し、日本語は21.87%で、公式は「注意付きで使える」区分に入れています。理由として、学習データ量の少なさと、ひらがな・カタカナ・漢字の混在による分かち書きの難しさを挙げています。

この数字は音声の自然さではなく「原稿どおりに読んだか」を測るもので、書き起こし側の誤りも含みます。英語とのCERの倍率だけで品質差を判断せず、本番運用前に自分の原稿で聞き取りテストをしてください。同じ評価で韓国語は70.90%、ベトナム語は75.21%で、公式はこの2言語の商用利用を勧めていません。

漢字をひらがなに変える前処理と実測した誤変換

日本語の誤りの一部は、モデルに渡る前の段階で決まります。Chatterboxはlanguage_id="ja"のとき、テキスト中の漢字をpykakasi（版2.3.0固定）でひらがなに変換し、カタカナはそのまま残してからモデルに渡します。文脈を見て読みを選ぶ処理ではないため、読みが複数ある語は辞書の第一候補で固定されます。

GitHubのソース（tokenizers/tokenizer.pyのhiragana_normalize関数。2025年9月25日以降変更なし）を取り出し、pykakasi 2.3.0で手元実行した結果が次の表です。音声ではなく前処理後の文字列を確認しています。表では見やすさのためNFKCで再正規化して表示しており、実際の関数出力はNFKD形式です。

「今日は」が挨拶の「こんにちは」になるのは、pykakasiが「今日は」を1語として辞書引きするためです。モデルはひらがなを受け取った時点で元の漢字を知らないので、音声側で正しく読み直すことはできません。

読み誤りを避ける原稿の書き方

対策は、読みが割れる語を最初からひらがなかカタカナで書くことです。かなで書いた部分は漢字の読み変換を通らないため、書いたとおりの読みでモデルに届きます（その後のUnicode NFKD正規化で濁点は文字と分けて表現されますが、読みは変わりません）。上のコード例で「からい料理」と書いているのはこのためです。

• 同じ漢字で読みが変わる語（今日は・辛い・行った・上手・生物など）はかなで書く
• 固有名詞・社名・製品名は、読ませたい音をカタカナで書く
• 原稿が長いなら、事前にpykakasiだけを動かして変換後の文字列を目視確認する

3つ目は音声モデルを読み込まず、CPU上で前処理だけを確認できます。pip install pykakasi==2.3.0で同じ版を入れ、hiragana_normalize関数を通した結果を見れば、合成前に誤読箇所を拾えます。日本語の読みを辞書登録で直したい、アクセントまで制御したいという要件なら、Chatterboxではなく日本語専用のTTSを選ぶ方が早道です。

exaggerationとcfg_weightの調整方法

初代とMultilingualには、話し方を変える主なパラメータが2つあります。exaggerationは感情表現の強さ、cfg_weightは参照音声と原稿への追従の強さで、どちらも既定値は0.5です。READMEの推奨は次のとおりです。

exaggerationを上げると話速も上がる傾向があり、cfg_weightを下げて落ち着いた間を取り戻すのが公式の組み合わせです。ほかにtemperature（既定0.8）、repetition_penalty（既定1.2）、min_p（既定0.05）も指定できます。

TurboとNanoではexaggerationとcfg_weightの既定値が0で、0より大きい値を渡しても「このモデルでは無視される」と警告が出るだけです。英語の感情表現は[chuckle]などのタグを本文に入れて付けます。

ゼロショット音声クローンと音声変換

ゼロショット音声クローンは、追加学習なしに参照音声1本から声質を写す機能です。Multilingualのソースコードでは、参照音声の先頭6秒を音声プロンプトのトークン化に、先頭10秒を音声デコーダの条件抽出に使い、話者埋め込み（声の特徴ベクトル）には16kHzに変換した音声全体を使います。話し方や声色の細部は冒頭10秒から取られるので、冒頭に無音や雑音があるとその分だけ写し取れる情報が減ります。TurboとNanoは参照音声が5秒以下だと「Audio prompt must be longer than 5 seconds!」で止まるので、5秒を超える録音を用意します。

テキストからではなく、既存の録音の声だけを別人に差し替える音声変換（ChatterboxVC）も同梱されています。元音声を音声トークンに変換し、目標話者の特徴を条件に波形を再生成します。内容や間の保持を狙う処理ですが、変換後も完全に同一になるとは限りません。音声変換はS3Genの段だけを使うので、テキストの読み変換を通らず、日本語の誤読の問題も起きません。

import torchaudio as ta
from chatterbox.vc import ChatterboxVC

model = ChatterboxVC.from_pretrained("cuda")
wav = model.generate(
    audio="source.wav",               # 声を差し替えたい元の録音
    target_voice_path="target.wav",   # 目標話者の参照音声
)
ta.save("converted.wav", wav, model.sr)

他人の声を本人の同意なく複製・公開することは、肖像権・パブリシティ権やなりすまし詐欺の問題に直結します。READMEの免責事項は「悪いことに使わないで」の1文だけで、利用条件で縛る仕組みはありません。業務で使うなら、声の提供者から書面で同意を取ってから参照音声にしてください。音声クローンを悪用した詐欺の手口と防御策はディープフェイク詐欺とは？BEC・音声クローンの手口と実装者向けの検知・防御を解説で扱っています。

PerTh透かしの仕組みと検出コード

Chatterboxの公式Python実装では、生成音声にResemble AIのPerTh（Perceptual Threshold）透かしが自動で埋め込まれます。NVIDIA NIM版の出力に透かしを付けるには、Resemble AIにWatermarker APIキーを問い合わせるようV3の発表ブログが案内しています。ソースコード上は、初代・Multilingual・Turbo・音声変換のいずれも、生成の最後でapply_watermarkを呼んでから音声を返します。人の耳には聞こえない信号を波形に入れる方式で、MP3圧縮や編集を経てもほぼ100%の精度で検出できるとREADMEは説明しています。

import perth
import librosa

audio, sr = librosa.load("ja_output.wav", sr=None)
watermarker = perth.PerthImplicitWatermarker()
score = watermarker.get_watermark(audio, sample_rate=sr)
print(score)  # 1.0 なら透かしあり、0.0 なら透かしなし

検出結果はPerThの透かしの有無を示すもので、Chatterboxによる生成を単独で証明するものではありません。どのモデルの版か、誰が作ったかも特定できません。透かしを壊すことを狙った攻撃への耐性はまだ公表されていないと、公式ブログ自身が限界として挙げています。MITライセンスなのでソースから透かし処理を外したフォークも作れるため、「透かしが無い＝人の声」とは判定できません。透かしは合成音声の識別を補助する手段として使い、他者の音声の真贋判定には別の検知手段を併用してください。

ChatterboxをAPI・サーバーとして動かす方法

Resemble AIの有償TTS APIは新規契約を受け付けていないため、ChatterboxをAPIとして使うには、自分でサーバー化するか、第三者の配布物を使います。

Chatterbox-TTS-Serverは、初代・Multilingual・Turboを1つのサーバーにまとめ、OpenAIの音声合成APIと同じ/v1/audio/speechの形で呼べるようにした個人開発のOSSです。長文を文単位に自動で分割してつなぐ機能があり、2026年5月11日のv2.0.0でストリーミング応答と、同じ参照音声の再エンコードを省くキャッシュが加わりました。OpenAIのTTSに対応したアプリなら、接続先を差し替えるだけで使えます。ただしREADMEの対応一覧は初代・Multilingual・Turboで、V3とNanoは入っていません。

NVIDIAはbuild.nvidia.comでMultilingual版をNIM（推論用コンテナ）として2026年5月26日から配布しており、評価用のAPIキーで試せます。本番利用はNVIDIA AI Enterpriseの利用条件に従います。ゲーム開発向けには、llama.cppのGGML形式で動かすNVIDIA ACEのプラグインもあります。

どの方法でも、元のモデルは更新されません。業務システムに組み込むなら、参照音声の同意管理、透かしの検出、読みの事前確認まで含めて自社で設計することになります。音声合成を組み込んだ業務システムの設計から任せたい場合は、一創の生成AI開発・AI受託開発でご相談いただけます。

ElevenLabsとの比較と使い分け

Resemble AIはREADMEで「ElevenLabsより選好された」と掲げています。根拠は評価サービスPodonosで公開されている比較レポートで、Chatterbox Turbo対ElevenLabs Turbo v2.5の5段階比較では、回答2,500件のうち65.28%がChatterbox、24.52%がElevenLabsを良いと答え、10.20%が同等でした。英語の参照話者で、Resemble AI自身が実施した評価です。日本語での比較は公開されていません。

選び分けの基準ははっきりしています。録音データを社外に出せず、英語の音声を大量に作るならChatterboxです。日本語のナレーションを手早く高品質に作りたいなら、読みの精度と保守の手間を考えるとクラウドのTTSが先に候補になります。ElevenLabsの料金と商用条件はElevenLabs（イレブンラボ）とは？料金6プラン・無料版の商用制限・使い方とEleven v4【2026年10月】、Googleの音声合成はGemini API TTSの使い方｜3.8 Flash TTSの実装・料金・リミックス・商用利用【2026年11月】、AWSはAmazon Pollyとは？日本語音声の制約と4エンジンの料金・実装手順【2026年版】にまとめています。

Chatterboxを採用すべきでない場面

次の条件に当てはまるなら、Chatterbox以外を選ぶべきです。

• 何年も保守し続ける新規システム：開発元の更新が無く、依存ライブラリの追随と脆弱性対応を自社で持つことになります。
• 読み間違いが許されない日本語の読み上げ：ニュース、医療・法務の案内、固有名詞の多い社内資料。前処理の読み決め打ちを辞書登録で直す手段がありません。
• アクセントやイントネーションを細かく指定したい：アクセント句や音高を指定する入力がありません。
• Intel MacやGPUのない環境でV3を量産する：固定版のtorchが入らない、または速度が実用域に届かない可能性があります。

日本語の読みとアクセントを詰めたいなら、日本語データで学習されたTTSが向きます。感情タグで抑揚を付けられるIrodori-TTSの使い方｜v4-Largeとv4.1の違い・絵文字一覧・商用利用【2026年10月】、話者を追加学習できるStyle-Bert-VITS2の使い方｜導入・学習・モデル配布・商用利用とONNX高速化【v2.7.0】、少量の音声で声を学習するGPT-SoVITSの使い方｜日本語での導入手順とV5・v2ProPlusの選び方【2026年版】が比較対象です。OSSとクラウドAPIの方式選定から考えるなら音声合成AIの作り方｜OSS TTS・クラウドAPI・受託開発の方式選定と実装手順が出発点になります。

よくある質問

「Chatterbox」という名前にはどんな意味がありますか？

英語の「chatterbox」は「おしゃべりな人」を指す口語です。AIの文脈では、Resemble AIが公開したTTSモデル群の名前として使われています。

Chatterboxは無料で商用利用できますか？

できます。コードとモデルはMITライセンスで、著作権表示とライセンス文を残せば商用製品への組み込み・改変・再配布が可能です。開発終了後もライセンスは変わりません。ライセンス料は不要ですが、計算資源や保守の費用は自社持ちで、参照音声に使う声の提供者の同意も別に必要です。

Chatterboxは日本語に対応していますか？

Multilingual（V2・V3）が日本語に対応しています。language_id="ja"を指定して使います。V3の公式評価では、日本語の文字誤り率は21.87%です。また、日本語の前処理で漢字の読みを固定するため、「今日は」「辛い」などの読み違いが起きます。読みが割れる語はかなで書いてください。

ChatterboxをAPIとして使う方法はありますか？

自前でサーバー化するか、OpenAI互換のChatterbox-TTS-Server、NVIDIAのNIM版を使います。Resemble AIの有償TTS APIは2026年8月から新規契約を受け付けていません。

インストールせずにブラウザで試せますか？

Hugging Face SpacesにResemble AIのデモ画面（初代、Multilingual、V3、Turbo、Nano）があり、テキストと参照音声を入れて試せます。手元で同じ画面を開きたい場合は、リポジトリ同梱のgradio_tts_app.pyやmultilingual_app.pyを実行するとGradioのUIが立ち上がります。

関連記事

• 音声合成AIの作り方｜OSS TTS・クラウドAPI・受託開発の方式選定と実装手順
• ElevenLabs（イレブンラボ）とは？料金6プラン・無料版の商用制限・使い方とEleven v4【2026年10月】
• Irodori-TTSの使い方｜v4-Largeとv4.1の違い・絵文字一覧・商用利用【2026年10月】
• Style-Bert-VITS2の使い方｜導入・学習・モデル配布・商用利用とONNX高速化【v2.7.0】
• ディープフェイク詐欺とは？BEC・音声クローンの手口と実装者向けの検知・防御を解説