Musim gugur 2026 · Dikirim dari Pangkalan Ketenangan
Mampir ke studio bulan ↗
Game Dev

Dubbing AI Gratis: Kokoro, Chatterbox TTS untuk Bahasa Inggris

Text to speech Kokoro dan Chatterbox untuk dubbing game bahasa Inggris: suara AI gratis di CPU untuk penggunaan komersial dan kloning suara.

Di bar pangkalan bulan, gelombang suara oranye mengalir dari laptop menuju robot bartender yang sedang mengelap gelas, astronaut memakai headphone duduk di kursi bar sambil mengacungkan jempol
Di bar pangkalan bulan, gelombang suara oranye mengalir dari laptop menuju robot bartender yang sedang mengelap gelas, astronaut memakai headphone duduk di kursi bar sambil mengacungkan jempol

Halaman utama situs ini adalah sebuah pangkalan bulan. Buka terryl.in, kamu langsung masuk ke minigame 3D yang dibuat dengan Three.js: kamu bisa mengendalikan astronaut berjalan-jalan di pangkalan, memakai baju antariksa, keluar lewat airlock ke permukaan bulan, atau mampir ke bar memesan minuman spesial. Blog "Log Pangkalan Bulan" mencatat proses pembuatan pangkalan ini sedikit demi sedikit.

Di bar pangkalan ada robot bartender bernama Arthur. Karakter ini adalah penghormatan untuk Arthur, bartender android dalam film Passengers (2016). Sama seperti aslinya, dia kalem, sangat sopan, dan berbicara dengan wajah tanpa ekspresi. Beberapa dialognya juga diadaptasi dari film, jadi yang pernah menonton pasti mengenalinya. Tanya dia kenapa terus mengelap gelas, dia akan menjawab: "Kalau saya tidak mengelap gelas, saya terpaksa harus mengajak ngobrol." Sayangnya, sampai sekarang dialog-dialog itu masih sekadar teks di kotak dialog.

Di tulisan sebelumnya saya memakai Stable Audio 3 Small SFX untuk membuat efek suara pangkalan bulan, kali ini giliran dubbing. Dulu, kalau mau memberi suara pada karakter game, kamu harus menyewa pengisi suara atau memakai layanan text to speech AI berbasis cloud seperti ElevenLabs yang ditagih berdasarkan jumlah karakter. Sekarang sudah ada beberapa model TTS (text to speech) open source yang gratis dan boleh dipakai secara komersial, cukup diunduh ke komputer sendiri, tidak perlu bayar per pemakaian, dan bisa jadi alternatif gratis untuk ElevenLabs.

Tulisan ini membandingkan beberapa model TTS open source yang paling layak dipakai saat ini. Saya memasang Kokoro TTS dan Chatterbox TTS di laptop tanpa kartu grafis, memakainya untuk dubbing dialog Arthur dalam bahasa Inggris, dan mencoba kloning suara AI gratis supaya karakter tetap punya warna suara yang sama di setiap dialog.

Rekomendasi model TTS open source: perbandingan text to speech AI yang boleh dipakai secara komersial

Kesimpulannya dulu. Berikut model yang sudah saya cek lisensinya dan dipastikan boleh dipakai secara komersial:

Model

Jumlah parameter

Lisensi

Kloning suara

Bahasa

Perangkat keras

Kokoro-82M

82 juta

Apache 2.0

Tidak, pakai 54 suara bawaan

8 bahasa

Cukup CPU

Chatterbox-Nano

110 juta

MIT

Bisa

Hanya bahasa Inggris

Cukup CPU

Chatterbox-Turbo

350 juta

MIT

Bisa

Hanya bahasa Inggris

Bisa CPU, agak lambat

Chatterbox (asli, Multilingual V3, versi Mandarin)

500 juta

MIT

Bisa

Versi asli bahasa Inggris, V3 23 bahasa, versi fine-tune khusus Mandarin

Bisa CPU, sangat lambat

Step Audio EditX

Sekitar 3 miliar

Apache 2.0

Bisa

Kuat di bahasa Mandarin

Butuh kartu grafis NVIDIA

Qwen3-TTS (0.6B, 1.7B)

600 juta, 1,7 miliar

Apache 2.0

Bisa, cukup 3 detik suara referensi

10 bahasa, kuat di bahasa Mandarin, ada suara logat Beijing dan Sichuan

0.6B bisa jalan di CPU, kloning sangat lambat

Singkatnya:

  • Mau cepat, ringan, cukup laptop: Kokoro.
  • Mau kloning suara supaya suara karakter konsisten: Chatterbox. Bahasa Inggris pakai Nano, Mandarin pakai versi fine-tune Mandarin, bahasa lain yang ada di daftar 23 bahasa pakai Multilingual V3.
  • Fokus bahasa Mandarin dan punya kartu grafis NVIDIA: Qwen3-TTS, bisa "mendesain" suara dengan satu kalimat deskripsi dan mengatur emosi lewat instruksi nada bicara.
  • Punya kartu grafis bertenaga, mengejar kualitas dan emosi terbaik: Step Audio EditX.

Step Audio EditX butuh kartu grafis NVIDIA, laptop saya tidak punya, jadi tulisan ini tidak mengujinya. Qwen3-TTS saya coba versi terkecil 0.6B, dengan CPU pun masih jalan, hasilnya ada di bawah.

Tulisan ini adalah gambaran umum. Nanti saya akan menulis ulasan khusus untuk tiap model: Kokoro, Chatterbox, Qwen3-TTS, Step Audio EditX, dan juga VoiceStudio.

Di papan peringkat yang dinilai manusia lewat uji dengar buta (misalnya Speech Arena), posisi teratas masih diisi layanan tertutup seperti ElevenLabs, dan model open source belum masuk sepuluh besar. Tapi membuat game tidak selalu butuh kualitas suara paling top. Dialog NPC, narasi AI untuk tutorial, atau dubbing sementara selama pengembangan, semuanya sudah cukup dengan model open source.

Pilihan lain: Qwen3-TTS

Qwen3-TTS adalah seri TTS yang dirilis open source oleh tim Qwen dari Alibaba pada Januari 2026, berlisensi Apache 2.0 dan boleh dipakai secara komersial. Ada dua ukuran, 0.6B dan 1.7B, masing-masing terbagi lagi ke beberapa versi untuk kebutuhan berbeda:

  • Base: kloning suara, cukup 3 detik suara referensi.
  • CustomVoice: 9 suara bawaan, termasuk suara pria berlogat Beijing dan Sichuan; versi 1.7B juga bisa diatur nada bicaranya dengan instruksi, misalnya "ucapkan dengan nada sangat marah".
  • VoiceDesign (1.7B): mendesain suara lewat deskripsi teks, misalnya "laki-laki 17 tahun, suara tenor, makin lama bicara makin percaya diri".

Mendukung 10 bahasa: Mandarin, Inggris, Jepang, Korea, Jerman, Prancis, Rusia, Portugis, Spanyol, dan Italia. Evaluasi resmi menyebut model ini mengungguli ElevenLabs dalam akurasi pelafalan bahasa Mandarin dan kemiripan suara, tapi itu pengujian yang dilakukan mereka sendiri.

Untuk dubbing game, cara paling praktis adalah desain suara dulu, baru kloning. Deskripsikan suara karakter ke VoiceDesign, buat satu dialog sebagai suara referensi, lalu dialog-dialog berikutnya dikloning dengan Base supaya warna suaranya konsisten. Cara ini sangat mirip dengan kombinasi Kokoro dan Chatterbox yang saya pakai di tulisan ini.

Instalasinya cukup pip install -U qwen-tts. Semua contoh resmi dijalankan di kartu grafis NVIDIA dengan bfloat16 dan FlashAttention 2, tanpa menyebut butuh VRAM berapa, dan tidak menyinggung apakah bisa jalan hanya dengan CPU.

Saya mencoba 0.6B dengan CPU di laptop yang sama:

  • Suara bawaan (CustomVoice): satu dialog sepanjang sekitar 6 detik butuh sekitar 31 detik.
  • Kloning suara (Base): satu dialog sekitar 4–5 detik butuh lebih dari 4 menit, tiga kali waktu yang dibutuhkan versi fine-tune Mandarin milik Chatterbox.

Prinsip umum untuk model apa pun: kata yang bisa dibaca lebih dari satu cara, nama diri, dan kata serapan sebaiknya didengarkan dulu sebelum dipakai.

Tanpa kartu grafis, suara bawaan Qwen3-TTS adalah pilihan yang pas; kalau mau kloning suara untuk banyak dialog, tetap butuh kartu grafis NVIDIA.

Kelihatannya open source, padahal tidak boleh komersial

Jebakan yang paling sering terjadi saat memilih model adalah lisensi. Bobot model yang dipublikasikan di Hugging Face belum tentu boleh dipakai untuk cari uang:

  • Coqui XTTS v2: multibahasa, bisa kloning suara, dulu sangat populer, tapi lisensinya Coqui Public Model License, hanya untuk penggunaan nonkomersial.
  • Fish Audio S2 Pro: bobotnya dipublikasikan, tapi untuk komersial harus membeli lisensi terpisah dari Fish Audio.
  • Beberapa model riset: memakai lisensi CC BY-NC (NC berarti hanya untuk nonkomersial).

Sebelum mengunduh, selalu cek kolom License di halaman model, lalu klik dan baca teks lengkapnya.

Apa itu Kokoro TTS? Mendukung bahasa apa? Boleh dipakai komersial?

Kokoro-82M adalah model TTS yang hanya punya 82 juta parameter, versi 1.0-nya dirilis Januari 2025. Ukurannya cukup kecil untuk jalan di CPU, tapi kualitas suaranya termasuk yang terbaik di kelas model kecil, sehingga banyak API komersial dan proyek yang memakainya.

  • Lisensi: Apache 2.0, boleh komersial, boleh juga dibundel ke produk sendiri.
  • Data latih: pihak resmi menyebutkan hanya memakai rekaman domain publik, rekaman berlisensi Apache atau MIT, dan suara sintetis dari TTS tertutup milik perusahaan besar, tanpa suara hasil kloning dari orang lain.
  • Suara: 54 suara bawaan dalam 8 bahasa: Inggris (Amerika, Inggris), Jepang, Mandarin, Spanyol, Prancis, Hindi, Italia, dan Portugis Brasil.
  • Keterbatasan: tidak bisa kloning suara, hanya bisa memilih dari suara bawaan. Dan bahasa Indonesia tidak termasuk di 8 bahasa itu.

Perlu diperhatikan: pihak resmi mengingatkan bahwa situs yang nama domainnya mengandung "kokoro" tidak ada hubungannya dengan model ini, jadi jangan bayar atau mengunduh apa pun di situs-situs tersebut.

Apa itu Chatterbox TTS? Mendukung bahasa apa? Boleh dipakai komersial?

Chatterbox adalah seri TTS open source dari perusahaan teknologi suara Resemble AI, dengan keunggulan utama kloning suara: berikan rekaman suara manusia sepanjang 5–10 detik, lalu model akan membacakan dialog baru dengan warna suara yang sama. Versi aslinya juga bisa mengatur seberapa berlebihan emosinya, sedangkan versi Turbo bisa menyisipkan tag seperti [laugh], [chuckle], dan [cough] di dalam dialog untuk tawa atau batuk.

  • Lisensi: MIT, boleh komersial.
  • Watermark: setiap audio yang dihasilkan disisipi watermark Perth milik Resemble. Tidak terdengar, tapi tetap ada setelah diubah ke mp3 atau diedit, sehingga alat pendeteksi bisa mengenali bahwa audio tersebut dibuat AI.
  • Sudah tidak dikembangkan lagi: pada Agustus 2026 Resemble AI mengumumkan Chatterbox sebagai "proyek riset yang sudah selesai", tidak akan diperbarui lagi, dan perusahaan beralih ke deteksi deepfake. Kode dan bobotnya tetap berlisensi MIT, jadi masih bisa diunduh dan dipakai komersial, hanya saja tidak ada versi baru maupun dukungan.

Poin terakhir justru menunjukkan kelebihan model open source: begitu bobotnya ada di komputer sendiri, kamu tidak perlu takut layanannya tutup. Kalau layanan dubbing cloud naik harga atau tutup, suara di game tidak bisa diubah lagi; model open source yang tersimpan di hard disk, sepuluh tahun lagi masih bisa dipakai menambah dialog dengan suara yang sama.

Chatterbox punya banyak versi, dan awalnya mudah tertukar:

Versi

Jumlah parameter

Bahasa

Keunggulan

Chatterbox (asli)

500 juta

Inggris

Intensitas emosi bisa diatur (exaggeration)

Multilingual V3

500 juta

23 bahasa, termasuk Mandarin, Jepang, Korea

Satu model untuk banyak bahasa

Versi fine-tune Mandarin (zh-cmn)

500 juta

Mandarin

Disesuaikan khusus untuk bahasa Mandarin

Turbo

350 juta

Inggris

Lebih cepat, mendukung tag tawa dan batuk, wajib pakai suara referensi

Nano

110 juta

Inggris

Paling kecil dan cepat, menurut pihak resmi bisa 3 kali kecepatan real-time di CPU 8 core

Spesifikasi komputer: bisa jalan tanpa kartu grafis?

Laptop saya memakai Intel Core Ultra 5 (6 core) dengan grafis terintegrasi saja, artinya hanya bisa pakai CPU. Tabel berikut adalah waktu pembuatan dialog hasil pengujian, setiap dialog panjangnya sekitar 4–6 detik, dan waktunya sudah termasuk memuat model setiap kali dijalankan:

Model

Waktu per dialog

Kokoro (bahasa Inggris)

Sekitar 9 detik

Kokoro (bahasa Mandarin)

Sekitar 13 detik

Chatterbox-Nano (kloning)

Sekitar 15–20 detik

Chatterbox-Turbo (kloning)

Sekitar 40 detik

Chatterbox asli

Sekitar 60 detik

Chatterbox versi fine-tune Mandarin (kloning)

Sekitar 80 detik

Qwen3-TTS 0.6B (suara bawaan)

Sekitar 31 detik

Qwen3-TTS 0.6B (kloning)

Sekitar 4 menit

Kokoro dan Chatterbox Nano sangat praktis di laptop: ubah satu dialog, dengarkan, tunggu belasan detik saja. Versi Chatterbox 500 juta parameter butuh satu sampai dua menit per dialog di CPU, cocok untuk menyiapkan satu batch dialog sekaligus lalu dibiarkan jalan di latar belakang. Kalau punya kartu grafis NVIDIA, semuanya jauh lebih cepat.

Untuk ruang penyimpanan, lingkungan Python masing-masing alat (termasuk PyTorch versi CPU) memakan sekitar 1,5 GB. File model diunduh terpisah: file Kokoro sangat kecil, sedangkan setiap versi Chatterbox sekitar 1–3 GB.

Cara instal Kokoro TTS (versi CPU)

Sebaiknya pakai uv untuk membuat lingkungan Python tersendiri, jangan dipasang di Python sistem. Kokoro mendukung Python 3.10–3.12:

mkdir kokoro && cd kokoro
uv venv --python 3.11 && source .venv/bin/activate
uv pip install kokoro soundfile

Pelafalan bahasa Inggris memakai espeak-ng, yang sudah ikut di paket pip sehingga tidak perlu dipasang terpisah. Kokoro tidak mendukung bahasa Indonesia, jadi contoh di bawah memakai bahasa Inggris:

import numpy as np, soundfile as sf
from kokoro import KPipeline

pipe = KPipeline(lang_code="b")  # a Inggris Amerika, b Inggris Britania, j Jepang, z Mandarin
audio = np.concatenate([np.asarray(r.audio) for r in pipe("A bartender keeps confidence.", voice="bm_george")])
sf.write("arthur.wav", audio, 24000)

Huruf pertama nama suara menunjukkan bahasa, huruf kedua menunjukkan jenis kelamin: bm_george adalah suara pria bahasa Inggris Britania, bf_emma suara wanita bahasa Inggris Britania. Daftar lengkapnya ada di VOICES.md resmi. Saat pertama kali dijalankan, model akan otomatis diunduh dari Hugging Face.

Cara instal Chatterbox TTS: pasang versi GitHub, jangan versi lama di PyPI

Ini jebakan terbesar yang saya alami. Banyak tutorial menyuruh menjalankan pip install chatterbox-tts, padahal yang terpasang adalah versi 0.1.7 di PyPI, yang model multibahasanya masih V2 lama. Saya menyuruhnya membaca satu kalimat bahasa Mandarin, tiga detik lebih sudah selesai, tapi di belakangnya ada belasan detik jeda dan suara aneh.

Hanya versi terbaru di GitHub yang punya Multilingual V3, Nano, dan versi fine-tune Mandarin, jadi pasang langsung dari GitHub:

mkdir chatterbox && cd chatterbox
uv venv --python 3.11 && source .venv/bin/activate
uv pip install "chatterbox-tts @ git+https://github.com/resemble-ai/chatterbox" "setuptools<81"

Bagian setuptools<81 di belakang juga tidak boleh dilewatkan. Paket watermark Perth masih memakai pkg_resources lama, sementara setuptools versi baru sudah menghapusnya. Kalau versinya tidak dikunci, begitu dijalankan langsung error.

Kloning suara dengan Nano:

import torchaudio
from chatterbox.tts_turbo import ChatterboxTurboTTS

model = ChatterboxTurboTTS.from_pretrained(device="cpu", nano=True)
wav = model.generate("A bartender keeps confidence.", audio_prompt_path="arthur-ref.wav")
torchaudio.save("arthur.wav", wav, model.sr)

arthur-ref.wav adalah suara referensi yang mau dikloning. Format file versi fine-tune Mandarin sedikit berbeda dari program utamanya, jadi kode pemuat file perlu diubah sedikit. Urusan remeh seperti ini sangat cocok diserahkan ke Claude Code atau Codex.

Serahkan instalasi ke Claude Code atau Codex

Kalau tidak mau repot mengurus masalah versi, buka Claude Code atau Codex di terminal lalu ketik:

Tolong pasang Kokoro-82M dan Chatterbox di ~/tools (versi terbaru dari GitHub, lengkap dengan Nano dan Multilingual V3), pakai PyTorch versi CPU, dan buatkan masing-masing satu perintah yang bisa dipanggil dari folder mana pun

Saya juga memasangnya dengan cara ini. Selama proses, muncul masalah versi PyPI yang terlalu lama, kompatibilitas setuptools, dan versi fine-tune Mandarin yang gagal dimuat, dan semuanya ditemukan penyebabnya lalu diperbaiki sendiri oleh asisten AI. Keuntungan memasang di ~/tools adalah semua proyek bisa memakainya bersama, tidak perlu memasang satu salinan untuk tiap game.

Apa itu kloning suara AI? Cara gratis dan open source

Kloning suara (voice cloning) berarti memberi model rekaman suara seseorang, lalu model membacakan dialog baru dengan warna suara yang sama. Kloning suara dengan Chatterbox gratis dan caranya sederhana: siapkan suara referensi, ditambah dialog yang mau dibacakan. Kualitas suara referensi menentukan hasilnya:

  • Durasi 5–10 detik, kurang dari 5 detik langsung muncul pesan error.
  • Hanya satu orang yang bicara, tanpa musik latar dan noise.
  • Nada bicaranya harus sesuai karakter: model ikut mempelajari kecepatan bicara dan emosi. Kalau mau karakter bicara pelan dengan nada datar, suara referensinya juga harus begitu.
  • Sebaiknya sebahasa dengan dialognya: kalau suara referensi berbahasa Inggris dipakai untuk membaca bahasa lain, bisa terbawa sedikit aksen Inggris.

Asal suara sangat penting. Model boleh dipakai secara komersial bukan berarti kamu boleh menyalin suara siapa saja:

  • Rekaman sendiri: aman.
  • Rekaman pengisi suara atau teman: harus mendapat izin mereka sebelum dipakai di game, sebaiknya dengan bukti tertulis.
  • Suara karakter film, game, atau selebritas: tidak boleh, bahkan sekadar mirip pun bisa bermasalah dengan hak atas citra diri dan hak pribadi.

Saya juga memakai satu cara lain: membuat satu dialog dengan Kokoro dulu sebagai suara asli karakter. Kokoro berlisensi Apache 2.0, jadi suara yang dihasilkannya bebas dipakai. Dengan begitu, suara karakter "didesain" dulu, baru diserahkan ke Chatterbox untuk membacakan dialog lain dan menambahkan emosi.

Uji coba: dubbing robot bartender Arthur

Untuk suara bahasa Inggris Arthur, saya memilih bm_george dari Kokoro. Aksen Britanianya sangat tenang, terdengar seperti robot kepala pelayan yang sopan, dan kecepatan bicaranya saya turunkan ke 0.95.

Di film, Arthur diperankan Michael Sheen, tapi di sini saya sengaja tidak meniru suaranya. Dubbing-nya memakai suara bawaan Kokoro, dan yang dikloning juga suara hasil Kokoro. Inilah maksud "asal suara sangat penting" tadi.

Semua audio di bawah langsung dari model, hanya bagian hening di awal dan akhir yang dipotong, lalu volumenya disamakan.

Kokoro: langsung pakai suara bawaan

Kokoro (bm_george): "If I didn't wipe the glass, I'd have to make conversation. And then guests feel awkward."
Kokoro (bm_george): "A bartender keeps confidence. It's the sacred trust of the craft."

Chatterbox: kloning suara Kokoro

Suara referensinya adalah dialog pertama bm_george di atas (sekitar 6 detik).

Chatterbox-Nano mengkloning bm_george: "You can't get so hung up on where you'd rather be that you forget to make the most of where you are."
Chatterbox-Nano mengkloning bm_george: "A bartender keeps confidence. It's the sacred trust of the craft."

Sebagai pembanding, ini suara bawaan Chatterbox versi asli, tanpa kloning, dengan intensitas emosi diturunkan ke 0.3:

Suara bawaan Chatterbox versi asli: "If I didn't wipe the glass, I'd have to make conversation. And then guests feel awkward."

Beberapa catatan:

  • Hasil Kokoro selalu sama: dialog yang sama dengan suara yang sama, dibuat berapa kali pun hasilnya identik, jadi tidak perlu memilih versi; kalau mau nuansa lain, ganti suara atau atur kecepatan.
  • Hasil Chatterbox selalu berbeda: dialog yang sama dengan seed berbeda menghasilkan nada dan ritme berbeda, jadi buat beberapa versi lalu pilih.
  • Kloning membuat suara konsisten: cukup satu rekaman dialog sebagai referensi, semua dialog hasil kloning punya warna suara karakter yang sama, tanpa perlu memilih suara lagi setiap kali.
  • Versi kloning bicara lebih cepat: untuk dialog yang sama, versi kloning Nano 10–20% lebih pendek dari suara asli Kokoro. Kalau mau lebih pelan, pakai rekaman dengan tempo lebih lambat sebagai suara referensi.

Bagaimana dengan bahasa Indonesia?

Kokoro, Chatterbox, dan Qwen3-TTS saat ini sama-sama belum mendukung bahasa Indonesia: Kokoro punya 8 bahasa, Chatterbox Multilingual V3 punya 23 bahasa, Qwen3-TTS punya 10 bahasa, dan bahasa Indonesia tidak ada di daftar mana pun. Karena itu tulisan ini tidak punya audio uji bahasa Indonesia, hanya contoh dubbing bahasa Inggris di atas.

Cara menulis prompt dubbing AI? Serahkan ke Claude Code atau Codex

Input TTS adalah dialog itu sendiri, tidak seperti membuat efek suara yang butuh prompt untuk mendeskripsikan suara yang diinginkan. Sementara memilih suara, kloning, dan memeriksa hasil punya alur yang tetap, sangat cocok ditulis ke pengaturan global asisten coding AI. File pengaturan Claude Code adalah ~/.claude/CLAUDE.md, sedangkan Codex ~/.codex/AGENTS.md. Setelah itu cukup bilang "dubbing tiga dialog ini untuk Arthur", dan dia akan mengikuti aturan ini:

## Dubbing karakter game dengan TTS lokal

Kalau saya butuh dubbing, pakai Kokoro dan Chatterbox yang terpasang di komputer, dengan aturan berikut:

- Setiap karakter punya satu suara tetap. Untuk karakter baru, pilih dulu suara bawaan Kokoro, buat satu dialog 5–10 detik lalu simpan sebagai suara referensi, dan selanjutnya selalu kloning dari suara itu.
- Dialog yang tidak butuh emosi atau tawa langsung pakai Kokoro; dialog yang butuh emosi, tawa ([laugh], [chuckle]), atau harus sama dengan suara referensi dikloning dengan Chatterbox: bahasa Inggris pakai Nano atau Turbo, bahasa Mandarin pakai versi fine-tune Mandarin.
- Kata yang bisa dibaca lebih dari satu cara, nama diri, dan kata serapan: minta saya mendengarkannya dulu sebelum dipakai.
- Satu dialog satu file, nama file berformat "karakter-bahasa-nomor".
- Untuk Chatterbox, setiap dialog dibuat 3 kali dengan seed berbeda, lalu tampilkan nama file dan dialognya untuk saya pilih.
- Setelah dibuat, cek durasinya: kalau audio jelas lebih panjang dari yang seharusnya untuk dialog itu, berarti ada yang terbaca berlebih, ganti seed dan buat ulang.
- Jangan kloning suara orang sungguhan, kecuali saya menyatakan sudah mendapat izin dari orangnya.
- Kalau mau dipasang di web atau game: potong hening di awal dan akhir, beri fade out singkat, samakan loudness, lalu ubah ke mp3.

Beri dialog lebih banyak ekspresi: tag tawa di Turbo

Chatterbox-Turbo bisa langsung diberi tag di dalam dialog, misalnya [chuckle] untuk tawa kecil, [laugh] untuk tertawa, dan [cough] untuk batuk:

Can I keep a secret? [chuckle] A bartender keeps confidence. It's the sacred trust of the craft.
Chatterbox-Turbo mengkloning bm_george, dengan [chuckle] di tengah dialog

Keterbatasan TTS open source

Setelah mencoba semuanya, ada beberapa hal yang menurut saya perlu diingatkan dari awal:

  • Tanpa kartu grafis harus sabar: Kokoro dan Chatterbox Nano cepat, tapi versi Chatterbox lainnya butuh satu sampai dua menit per dialog di CPU.
  • Dukungan bahasa terbatas: ketiga model di tulisan ini belum mendukung bahasa Indonesia, dan bahkan untuk bahasa yang didukung seperti Mandarin, data latih Kokoro dan Chatterbox jauh lebih sedikit dibanding bahasa Inggris sehingga sesekali ada kata yang salah baca. Kata yang bisa dibaca lebih dari satu cara, nama diri, dan kata serapan sebaiknya didengarkan dulu sebelum dipakai.
  • Harus pilih versi yang tepat: versi Chatterbox di PyPI terlalu lama, dan Chatterbox sendiri sudah tidak dikembangkan lagi, jadi beberapa masalah tidak akan ada yang memperbaiki.
  • Emosi bergantung pada suara referensi dan parameter: model tidak memahami cerita, tidak tahu sendiri apakah dialog ini bercanda atau marah. Kalau mau dialog terdengar emosional, siapkan suara referensi yang emosional atau naikkan intensitas emosinya.
  • Hasil akhir tetap harus diperiksa: model bisa membaca teks tambahan, melewatkan kata, atau menghasilkan noise di awal. Sama seperti memeriksa efek suara, kamu bisa meminta Claude Code atau Codex menugaskan satu subagent untuk pemeriksaan independen: ubah audio kembali ke teks dengan pengenalan suara, bandingkan dengan dialog aslinya, dan kalau ada selisih, buat ulang.

Manfaat terbesar untuk developer indie: dubbing sejak awal pengembangan

Sama seperti alat efek suara di tulisan sebelumnya, menurut saya nilai terbesar TTS open source adalah membuat game sudah punya dubbing sejak awal pengembangan.

Di awal pengembangan, naskah sering berubah. Kalau pengisi suara sudah merekam lalu dialognya diubah, harus rekam ulang. Dengan TTS lokal, ubah satu dialog, jalankan ulang, belasan detik selesai, tanpa biaya tambahan. Setelah naskah final, baru putuskan apakah perlu merekam ulang dengan pengisi suara sungguhan.

Saat itu, panjang dialog, durasi kotak dialog tampil, dan lamanya gerak mulut atau gerakan karakter semuanya sudah disesuaikan dengan dubbing. Ketika beralih ke rekaman manusia, cukup ganti file dengan nama yang sama.

Manfaat lainnya adalah dukungan banyak bahasa. Situs pangkalan bulan tersedia dalam 15 bahasa, merekam 15 bahasa dengan pengisi suara hampir mustahil, tapi Kokoro mendukung 8 bahasa dan Chatterbox Multilingual V3 mendukung 23 bahasa, jadi setidaknya beberapa bahasa utama bisa punya dubbing lebih dulu. Bahasa Indonesia untuk saat ini belum termasuk.

Pertanyaan yang sering diajukan

Apakah Kokoro TTS mendukung bahasa Indonesia?

Tidak. Kokoro mendukung 8 bahasa: Inggris (Amerika, Inggris), Jepang, Mandarin, Spanyol, Prancis, Hindi, Italia, dan Portugis Brasil, tanpa bahasa Indonesia. Di tulisan ini Kokoro dipakai untuk dubbing bahasa Inggris.

Apakah Chatterbox TTS mendukung bahasa Indonesia?

Tidak. Chatterbox Multilingual V3 mendukung 23 bahasa tetapi bahasa Indonesia tidak termasuk; versi lainnya hanya bahasa Inggris atau versi fine-tune khusus Mandarin. Qwen3-TTS juga tidak mendukung bahasa Indonesia. Kalau memakai Chatterbox, ingat pasang dari GitHub, karena versi lama di PyPI suka membaca berlebih di akhir kalimat.

Apakah kloning suara AI gratis boleh dipakai secara komersial?

Chatterbox berlisensi MIT, jadi modelnya boleh dipakai secara komersial; tapi kamu juga harus punya hak atas suara yang dikloning, misalnya suaramu sendiri, suara yang sudah mendapat izin pemiliknya, atau suara hasil Kokoro seperti di tulisan ini. Selain itu, setiap audio yang dihasilkan memiliki watermark Perth.

Adakah alternatif gratis untuk ElevenLabs?

Kalau kebutuhannya dialog game, narasi, atau dubbing video tutorial berbahasa Inggris, Kokoro dan Chatterbox adalah alternatif open source yang gratis, boleh komersial, dan bisa jalan di komputer sendiri. Kualitas suara dan ekspresi emosinya belum menyamai ElevenLabs, tapi tidak perlu membayar berdasarkan jumlah karakter, dan tidak perlu takut layanannya naik harga atau tutup.

Bisakah TTS open source jalan tanpa kartu grafis?

Bisa. Kokoro dan Chatterbox Nano hanya butuh belasan detik per dialog dengan CPU laptop; versi Chatterbox 500 juta parameter butuh satu sampai dua menit per dialog dan bisa dibiarkan jalan batch di latar belakang.

Penutup: cukup satu laptop untuk dubbing karakter game

Dulu saya merasa dubbing adalah bagian paling mewah dalam membuat game indie: menyewa pengisi suara mahal, TTS cloud ditagih berdasarkan jumlah karakter, dan kalau dialognya banyak, biayanya lumayan besar. Kokoro dan Chatterbox menurunkan hambatannya menjadi "satu laptop, satu dialog, belasan detik", boleh dipakai secara komersial, dan modelnya tersimpan di komputer sendiri sehingga tidak takut layanannya tutup.

Langkah berikutnya adalah memasukkan dubbing Arthur ke dalam game, supaya dia benar-benar berbicara saat kotak dialog muncul.

Tulisan ini adalah gambaran umum TTS open source. Selanjutnya saya akan menulis ulasan terpisah untuk Kokoro, Chatterbox, Qwen3-TTS, Step Audio EditX, dan VoiceStudio, berisi cara instalasi, pengaturan parameter, dan lebih banyak uji coba.

Bagaimana kamu memberi suara pada karakter game-mu? Cari postingan saya di Threads atau X dan tinggalkan komentar di sana.