Resemble AI

Resemble AI是什么？

Resemble AI是一套同时覆盖AI语音生成和生成式媒体安全的平台。创作与开发能力包括文字转语音、声音克隆、文字设计声音、语音转语音、语音转写、音频编辑增强和实时语音Agent；

安全能力则包括音频、图片和视频Deepfake检测、检测解释、会议实时分析、身份登记与匹配、C2PA签名和不可感知水印。

产品定位已从单纯的AI配音工具扩展为“生成、验证、检测”一体化平台。内容团队可以制作品牌声音和多语言旁白，开发者可以用API接入实时语音，安全团队则可把可疑媒体送入检测流程并保留审计结果。

Resemble Ultra文字转语音

Resemble Ultra是当前托管平台为新建和升级声音使用的默认文字转语音模型，支持同步生成、HTTP流式和WebSocket流式输出。API会根据voice_uuid自动选择关联模型，开发者不应把resemble-ultra作为普通model参数强行传入。

旧版托管Chatterbox、Chatterbox Turbo、Chatterbox Multilingual及更早TTS版本已被官方文档列为停止服务，仍绑定旧模型的声音需要升级到Ultra才能继续生成。迁移前应重新验证音质、发音、延迟和项目兼容性。

声音克隆

声音克隆可从约10秒清晰录音建立可复用声音。API既可以一次上传完整音频并训练，也可以创建声音后分批上传录音，再通过回调接收训练完成通知。

克隆API当前要求Business或更高方案。

短样本能快速建立声音，但环境噪声、音乐、混响、多人重叠和过度压缩会降低相似度。任何真人声音都必须取得本人明确同意，并约定可使用场景、期限、团队成员、模型删除和衍生内容范围。

Voice Design声音设计

Voice Design不需要真人录音。用户用文字描述年龄、口音、语气、风格和角色用途，系统生成3个候选声音，试听后把选中的候选转成可用于TTS的voice_uuid。

声音设计适合虚构角色、原型和无法录制真人的项目，但不能保证候选声线与现实人物完全无关。品牌和游戏项目仍应进行相似性检查，并保存最终候选和生成参数。

Speech-to-Speech语音转语音

语音转语音会把输入录音的节奏、语调和表演转换到目标声音，适合实时角色、游戏、配音修订和语音代理。当前文档列出Core STS v2和v1，其中v2提升音高跟踪并支持48kHz，训练数据通常要求10分钟以上。

STS比纯文字生成更能保留表演，但不会自动解决输入噪声、口误和版权问题。输入说话者与目标声音都要取得授权，直播场景还需要滥用检测和人工中止能力。

同步、HTTP与WebSocket流式API

同步接口一次返回完整音频，适合短句和离线任务；HTTP流式接口边生成边返回WAV数据，并在文件头中包含字素和音素时间戳；

WebSocket保持长连接，以更低延迟连续返回音频帧。

WebSocket当前面向Business及以上方案，默认通常允许集群20个并发会话和每个API Key 20个并行连接。并发不是每秒请求数，开发者仍要处理容量错误、退避重试、连接断开和audio_end结束消息。

实时语音Agent

Real-Time Agents可把Resemble声音与提示词、知识库、工具、Webhook和电话号码组合，用于客服、预约、销售、游戏NPC和交互式培训。系统支持Agent API、工具调用、知识库和电话接入。

实时代理的语音自然度不能替代事实可靠性。涉及账户、付款、医疗、法律或身份核验时，应限制工具权限、建立真人转接、确认敏感操作并保存可审计日志。

音频编辑、增强与转写

Audio Edit可对自有非市场声音生成的音频执行异步编辑，Audio Enhancement用于降噪和提升语音清晰度，Speech to Text可创建并查询转写任务。它们适合清理录音、制作字幕和重做局部旁白。

增强可能改变音色细节，转写也会误识别人名、数字和专业术语。关键记录应保留原始文件并人工校对，不能把处理结果当成无误证据。

Deepfake多模态检测

Resemble Detect面向音频、图片和视频，分析TTS、声音克隆、脸部替换和生成式图像等痕迹，可在上传文件、API或实时流程中给出置信结果和解释信息。当前DETECT-3B Omni被定位为覆盖三种媒体的企业检测模型。

检测结论是概率判断，压缩、剪辑、重录、新模型和对抗处理都可能造成误判。高风险场景不能只凭一个分数自动拒绝用户，应结合来源、身份验证、人工复核和申诉流程。

Resemble Intelligence与Meetings

Intelligence用于对检测结果提供更丰富的分析，Meetings可在会议中实时监测可疑媒体。Team包含会议分析能力，Business增加组织级日历集成和会议安全通知。

会议监测会涉及参会者音视频和元数据。组织应事先告知、限制保存期限并核对所在地区的录音、隐私和员工监控规则。

Identity身份搜索

Identity API可登记个人或品牌身份、关联参考媒体，并搜索上传内容是否匹配已登记对象，用于发现冒充、未经授权的声音或品牌素材。它可以成为KYC、内容审核和人才权益保护的一层信号。

身份相似不能单独证明欺诈，误匹配也可能影响真实用户。生产系统需要阈值校准、二次认证和人工复核，不能把身份搜索当作唯一生物识别结论。

PerTH水印与C2PA

Resemble Watermarker可为媒体编码和解码不可感知标记，PerTH项目则专注音频神经水印，目标是在压缩和常见编辑后仍能检测来源。平台也支持检查SynthID及签署C2PA记录。

水印适合证明已标记内容的来源，但没有检测到水印不代表文件一定是真实的，因为第三方工具可能从未嵌入兼容标记。最佳实践是将水印、内容凭证、Deepfake检测和发布记录组合使用。

Flex免费按量方案

Flex订阅费为0美元，无需信用卡，包含1个团队席位、平台和API、音频图片视频检测、检测解释、身份登记、会议实时检测、SynthID检查和C2PA签名。用户预充Credits后按实际处理量付费，没有最低承诺，Flex Credits当前不会过期。

0美元指没有月订阅费，并不表示所有处理免费。生成语音、检测、身份搜索和水印会按对应费率消耗余额，购买前应在控制台确认未列在公开页中的生成类费率。

价格与版本对比

Team价格

Team月付350美元；年付月均280美元，全年3360美元，相比月付全年节省840美元。

它包含5个席位、Flex全部能力、部分服务更低用量单价、会议Intelligence、大文件和批量上传。

Team适合把检测投入生产的中型团队，但不含SSO、组织级会议日历和企业SLA。年付折扣需要一次性承担年度承诺。

Business价格

Business月付1000美元；年付月均800美元，全年9600美元，相比月付全年节省2400美元。

它包含20个席位、可随部署调整的配置、组织级日历集成、会议安全通知和SSO。

Business也是声音克隆API和WebSocket流式语音的当前准入等级。若月支出超过1000美元、需要更高并发或本地部署，官方建议联系销售评估企业批量价格。

Enterprise企业方案

Enterprise定制报价，可提供容量折扣、企业SLA、定制模型训练、本地部署、专属支持、SOC 2文档和自定义席位。高并发、数据隔离、私有云或气隙环境通常需要企业合同。

本地部署并非公开订阅自动包含，采购时应书面确认模型、检测模态、硬件、更新频率、日志留存、支持响应和许可证范围。

检测与安全处理价格

Flex中音频和图片Detect均为每秒0.035美元，视频Detect为每秒0.07美元，Intelligence为每秒0.025美元。Team和Business中音频、图片Detect均为每秒0.015美元，视频为每秒0.03美元，Intelligence为每秒0.015美元。

Identity搜索为每次调用0.0005美元，Watermarker编码为每次0.0005美元，解码为每次0.0002美元，这三项在Flex、Team和Business当前同价。图片按“每秒”显示是官方价格表的计费展示方式，实际账单单位和文件换算应以控制台为准。

托管语音生成价格如何看？

当前公开价格页主要展示生成式媒体安全方案及处理费，没有在同一表格公开列出Resemble Ultra TTS、克隆、STS和Agent的完整用量单价。因此目录不应沿用旧博客或历史套餐的每秒生成价格。

需要语音生成的用户应注册Flex查看实时Rates，或让销售按语言、时长、并发和部署方式报价。预算时要把生成、流式主机、克隆、Agent电话和安全检测分开核算。

Chatterbox开源模型

Resemble AI在GitHub公开Chatterbox语音模型系列。当前仓库包含350M参数、面向低延迟英文和表演标签的Chatterbox Turbo；

110M参数、可在CPU和受限设备运行的Nano；以及500M参数、支持中文在内23种语言的Multilingual V3和多种单语言微调包。

Chatterbox代码与模型采用MIT许可证，可用于个人、研究和商业项目，也可在闭源产品中自托管，但仍须保留许可证通知并遵守适用法律和声音同意要求。托管平台的Resemble Ultra与开源Chatterbox是两条产品线，当前官方文档还明确将旧托管Chatterbox版本列为停止服务。

PerTH与Resemble Enhance开源项目

官方GitHub还公开MIT许可的PerTH音频水印工具，以及用于降噪和增强的Resemble Enhance。开发者可本地测试水印提取与音频处理，但这不代表Detect、Identity、Meetings和托管平台整体开源。

开源示例和部分旧SDK可能已停止维护，例如官方Go SDK已标记弃用。新项目应以当前API文档和Client Libraries页面为准，并在升级前锁定版本与执行回归测试。

Resemble AI使用教程

完成一次基础任务

1. 注册Resemble AI并创建仅用于测试环境的API Key；
2. 根据输入类型、上下文、质量、速度和价格选择模型；
3. 先调用Resemble Ultra文字转语音完成最小请求并检查返回结构；
4. 再用声音克隆测试流式输出、参数和异常响应；
5. 记录Tokens、调用次数、延迟、错误率和单次成本；
6. 把密钥移入服务端密钥管理器后再接入正式应用；

建立可复用的专业工作流

1. 为开发、测试和生产环境使用不同密钥与额度；
2. 按Resemble Ultra文字转语音、声音克隆和Voice Design声音设计建立代表性评测集；
3. 设置超时、并发、重试、限流和预算上限；
4. 对输出执行事实、安全、格式和敏感信息检查；
5. 监控模型版本、价格、延迟和失败率变化；
6. 准备降级模型、熔断和人工接管方案；

适合哪些用户？

• 需要品牌声音、游戏角色和多语言旁白的内容团队；
• 构建低延迟语音Agent、客服和互动应用的开发者；
• 审核音频、图片和视频真伪的安全与风控团队；
• 保护演员、品牌和高管身份不被冒充的组织；
• 希望自托管MIT语音模型的研究与工程团队。

产品优势

• 把语音生成、身份、水印和Deepfake检测整合在同一平台；
• Resemble Ultra覆盖同步及两种流式TTS；
• 支持快速声音克隆、Voice Design与语音转语音；
• 检测覆盖音频、图片和视频，并提供解释信息；
• Flex没有月订阅费，Credits当前不会过期；
• Chatterbox、PerTH和Enhance提供可自托管开源选择。

限制与注意事项

• 当前公开价格重点已经转向安全产品，托管语音生成完整单价需要在控制台核对；
• VoiceCloningAPI、WebSocket和部分生产能力要求Business及以上，入门用户不能假定0美元Flex开放全部语音接口；
• Deepfake检测会误报和漏报，水印缺失也不能证明内容真实；
• 克隆与STS必须取得声音授权；
• 开源Chatterbox的MIT许可证不免除隐私、肖像、声音人格权和反冒充义务；

常见问题

Resemble AI免费吗？

有0美元/月的Flex方案，不收订阅费并采用预充Credits按量付费。Credits当前不会过期，但实际生成、检测和水印调用仍会收费。

Resemble AI多少钱？

Team为350美元/月或年付月均280美元；Business为1000美元/月或年付月均800美元；

Enterprise定制。Flex没有月费。

可以克隆自己的声音吗？

可以，约10秒清晰录音即可建立快速克隆，但API当前要求Business或更高方案，并必须取得说话者同意。

能检测视频和图片Deepfake吗？

可以。Detect目前覆盖音频、图片和视频，并可结合Intelligence、Identity、会议监测和水印；

结果仍需按风险进行人工复核。

Resemble AI开源吗？

托管平台与Ultra模型不是整体开源；官方Chatterbox语音模型、PerTH水印和Resemble Enhance以开源项目提供，其中Chatterbox与PerTH采用MIT许可证。