chatterbox-tts-cli

Ein kommandozeilenbasierter TTS-Assistent (Text-to-Speech) auf Basis von Chatterbox TTS (Resemble AI). Optimiert für deutsche Sprache und den Einsatz als Audio-Vorlesehilfe, z. B. für Senioren oder Accessibility-Anwendungen.

Features

Satz-für-Satz-Streaming — gibt den ersten Satz aus, während die nächsten bereits generiert werden; minimale Latenz
Lückenlose Audiowiedergabe — Callback-basierter OutputStream mit vorgefertigten Blöcken; keine Unterbrechungen zwischen Sätzen
Geschwindigkeitsanpassung — pitch-erhaltende Zeitstreckung via pyrubberband (R3-Engine); konfigurierbar per --speed
Voice Cloning — optionale WAV-Referenz für Akzent und Klang
Mehrsprachig — Deutsch, Englisch und 20+ weitere Sprachen via ChatterboxMultilingualTTS (erfordert Multilingual-Setup, s. u.)
Deutsche Textnormalisierung
- Abkürzungen: ARD → "Ah Er De", YMCA → "Ypsilon Em Tse Ah"
- Komposita: US-Präsident → "U Es Präsident"
- Uhrzeiten: 14:58 → "vierzehn Uhr achtundfünfzig"
- Jahreszahlen: 2026 → "zweitausendsechsundzwanzig"
- Einheiten: 120 km/h → "120 Kilometer pro Stunde"
Konfigurierbares Aussprache-Wörterbuch — Eigennamen und Fremdwörter per JSON-Datei phonetisch überschreiben
Automatische Satz-Erkennung — intelligentes Splitting inkl. Ordinalzahlen, Paragraphen und Trennzeilen

Systemvoraussetzungen

Python 3.11+
CUDA-GPU empfohlen (RTX 3070 oder besser; CPU möglich aber langsam)
Linux mit PipeWire oder PulseAudio (für --audio-device pulse)
rubberband-cli (nur wenn --speed != 1.0 genutzt wird):
```
sudo apt install rubberband-cli
```

Installation

# 1. Conda-Umgebung erstellen (empfohlen)
conda create -n chatterbox python=3.11
conda activate chatterbox

# 2. PyTorch mit CUDA installieren (Beispiel für CUDA 12.4)
pip install torch torchaudio --index-url https://download.pytorch.org/whl/cu124

# 3. Chatterbox und weitere Abhängigkeiten
pip install chatterbox-tts sounddevice pyrubberband

# 4. Skript herunterladen
# chatterbox_cli_v4.py in das Arbeitsverzeichnis legen

Multilingual-Setup (für Deutsch und andere Nicht-Englisch-Sprachen)

Das Standard-Paket chatterbox-tts enthält die Multilingual-Unterstützung noch nicht vollständig. Notwendige Schritte:

# Multilingual-Modell herunterladen (beim ersten Start automatisch)
# Modell-Auswahl: v3 (Standard, besser) oder v2
# Wird in ~/.cache/huggingface/ gespeichert

Beim ersten Start mit --lang de werden die Modelle automatisch heruntergeladen (ca. 2–3 GB).

Schnellstart

# Deutschen Text vorlesen (aus Datei)
python chatterbox_cli_v4.py --lang de --input mein_text.txt

# Mit eigener Stimme (Voice Cloning)
python chatterbox_cli_v4.py --lang de \
  --voice meine_stimme.wav \
  --input mein_text.txt

# Etwas langsamer sprechen
python chatterbox_cli_v4.py --lang de --speed 0.85 --input mein_text.txt

# Englisch
python chatterbox_cli_v4.py --lang en --text "Hello, how are you today?"

Optionen

Option	Standard	Beschreibung
`--text TEXT`	—	Text direkt als Argument
`--input DATEI`	—	UTF-8-Textdatei als Eingabe
`--lang CODE`	`de`	Sprachcode (de, en, fr, es, …)
`--voice DATEI.wav`	—	Referenz-WAV für Voice Cloning
`--speed 0.85`	`1.0`	Geschwindigkeit (0.7–1.3); pitch bleibt gleich
`--audio-device`	`pulse`	Ausgabegerät (z. B. `pulse`, `default`)
`--t3-model`	`v3`	Multilingual-Modell: `v3` oder `v2`
`--acronym-mode`	`german`	Akronym-Modus: `german`, `space`, `period_space`
`--pronunciation-dict`	—	JSON-Datei mit Aussprache-Substitutionen
`--save`	nein	WAV-Datei speichern
`--output DATEI.wav`	—	Ausgabepfad (impliziert `--save`)
`--no-play`	—	Nur speichern, nicht abspielen
`--no-sentence-mode`	—	Text als Ganzes statt satzweise verarbeiten
`--debug-delay N`	`0`	Pause in Sekunden vor jedem Satz (zum Testen)
`--speed`	`1.0`	Sprechgeschwindigkeit

Aussprache-Wörterbuch

Für Eigennamen und Fremdwörter, die das Modell falsch ausspricht:

{
  "Xi Jinping": "Schi Dschinping",
  "Putin": "Pjutin",
  "Seoul": "Söul"
}

python chatterbox_cli_v4.py --lang de \
  --pronunciation-dict aussprache.json \
  --input nachricht.txt

Bekannte Einschränkungen

Wortbetonung lässt sich nicht steuern — das Modell kennt kein SSML. Abhilfe: Voice-Referenz mit gewünschter Betonung aufnehmen.
Chinesische/japanische Namen werden phonetisch angenähert; das Modell ist nicht für asiatische Phonetik optimiert.
Sehr lange Texte werden satzweise verarbeitet; zwischen Absätzen können kurze Pausen entstehen (Generierungszeit für den nächsten Satz).

Lizenz

MIT — dieses Skript. Das Chatterbox-Modell unterliegt der MIT-Lizenz von Resemble AI. Die Modellgewichte sind nicht-kommerziell (CC BY-NC 4.0).

5 KiB Raw Blame History Unescape Escape