Resemble AI 是生成式 AI 安全平台，提供深度伪造检测（DETECT-3B Omni）、AI 水印（PerTh）、身份验证及语音 AI（Chatterbox TTS）。产品覆盖 Verify（验证）、Detect（检测）和 Voice AI Research（语音研究）三大支柱，支持云 API、本地部署和离线有境。

Resemble AI：从语音合成到生成式 AI 安全平台的战略跃迁

Resemble AI 的核心参数与统计

Resemble AI 已完成从单一语音合成工具到生成式 AI 安全平台的战略转型（主要类型：Type D - 生产力/业务端应用；次级类型：Type B - 基础模型/API 基础设施）。总部位于加拿大，旗下三大产品支柱覆盖内容验证（Verify）、深度伪造检测（Detect）和语音 AI 研究（Voice AI Research）。2025-2026 年间，其开源语音模型 Chatterbox 在 GitHub 获得 25.6k stars，DETECT-3B Omni 在 Podonos 音频深度伪造基准测试中排名第一。

项目	公开信息
产品定位	生成式 AI 安全平台（Verify + Detect + Voice AI）
核心能力	深度伪造检测（音频/图像/视频）、AI 水印、身份验证TTS 与语音克隆
模型规模	DETECT-3B Omni（3B 参数）、Chatterbox（500M 参数）、Chatterbox Turbo（350M 参数）
产品形态	Web 控制台 + REST API + WebSocket 流式 + 本地部署 + 离线部署
开源情况	Chatterbox（MIT）、PerTh 水印（MIT）、Resemblyzer（Apache 2.0）
检测覆盖	160+ 生成式 AI 模型51 种语言、<300ms 检测延迟
合规认证	SOC 2 Type II（进行中）、GDPR、HIPAA、ISO 27001（进行中）、EU AI Act 合规
部署方式	云 API、Docker/K8s 本地部署、完全离线（air-gapped）
归属地	CA（加拿大）
支持语言	100+ 语言和方言（托管平台），23 种语言零样本语音克隆

一句话简评：如果你还认为 Resemble AI 只是个语音克隆工具，那就错过了它最重要的身份——它现在是一家以深度伪造检测和安全验证为核心的生成式 AI 安全公司，Chatterbox TTS 只是其 AI 能力的冰山一角。

宣传核验：官网宣传 DETECT-3B Omni 在 Podonos 音频深度伪造基准测试中排名第一，经独立第三方验证（数据来源：Podonos 公开报告）。98.1% 的检测准确率和 <300ms 的响应时间在 160+ 生成模型上的实际表现与宣传一致。Chatterbox 声称在盲测中优于 ElevenLabs，其 Podonos 对比评测报告公开可查。PerTh 水印宣称 99.9% 解码准确率且能抵抗 MP3 压缩和音频编辑，这些能力有 MIT 开源代码和论文支撑。

Resemble AI 的用户与市场认可

开源社区影响力：Chatterbox TTS 在 GitHub 获得 25.6k stars、3.4k forks，Hugging Face 累计下载超 1000 万次（单月最高 220 万次）。它是市场规模最大的开源 TTS 模型之一，与 Bark、XTTS 等处于同一梯队但采用更激进的 MIT 许可。

企业级信任信号：官网列出包括金融服务、医疗健康、公共部门等行业的客户案例。产品覆盖 The Andy Warhol Diaries（AI 语音重建）、大规模教育内容多语言配音、消费者语音克隆应用（App Store 评分 4.8）等知名场景。合规层面的 SOC 2、HIPAA、GDPR 和 EU AI Act 准备表明其瞄准的是合规敏感的政企市场。

市场定位变化：2024-2025 年间，Resemble AI 从"语音合成平台"重新定位为"生成式 AI 安全平台"。这一转变的关键驱动是 EU AI Act 对 AI 生成内容水印的强制要求（2026 年 8 月生效）以及全球企业对于深度伪造欺诈的防御需求。在这一新赛道上，Resemble AI 与 Hive AI、Reality Defender、Aurigin AI 形成竞争，而其独有的语音 AI 根基和 PerTh 水印开源策略提供了差异化优势。

Resemble AI 的成本优势

Resemble AI 采用 Flex 按量付费模式 + 企业定制方案的混合定价结构，覆盖从个人开发者到大型企业的全场景。

C 端 / 个人用户：

• 免费额度：提供免费注册和基础试用额度（以 app.resemble.ai 实时注册为准），可用于测试 TTS 和检测能力。
• 按量付费：Flex 计划充值信用点数（credits），按实际使用扣费，点数永不失效。
• 团队附加功能：额外团队席位 $20/月/人。

开发者 / API 用户（Flex 计划）：

服务	计费方式	单价
音频深度伪造检测	按秒计费	$0.04/秒
视频深度伪造检测	按秒计费	$0.07/秒
图像深度伪造检测	按秒计费	$0.04/秒
音频智能分析	按秒计费	$0.03/秒
视频智能分析	按秒计费	$0.03/秒
图像智能分析	按秒计费	$0.03/秒
身份搜索	按次计费	$0.0005/次
水印编码	按秒计费	$0.0005/秒
水印解码	按秒计费	$0.0002/秒
附加团队席位	按月计费	$20/月/人

对比 ElevenLabs（TTS $5/月起，语音克隆 $99/月起），Resemble AI 在检测和水印领域没有直接竞品的公开对标定价。在 TTS 领域，其 MIT 开源模型允许免费自托管，云 API 定价。

企业 / 私有化部署：

• 月消耗超过 $2,000 时建议联系销售获取批量折扣。
• 企业方案包含：自定义模型微调、更高 API 并发、自定义 SLA、SSO/SAML、本地部署（Docker/K8s）和离线部署。
• 定价需商务确认，以合同为准。

隐性成本与风险：

• 维度膨胀成本：检测和水印按"秒"计费，对于长音频/视频文件（如会议录音、广播内容），单次扫描成本可能快速累积。建议在实际场景中用样本文件计算单次成本后再决定是否批量使用。
• 自托管 TTS 的运维成本：虽然 Chatterbox 开源免费，但自托管 500M-3B 参数的模型需要 GPU 资源（建议 A10G 或同等），Infra 和运维成本需纳入总拥有成本（TCO）考量。
• 合规的时间窗口：EU AI Act 2026 年 8 月生效在即，企业若需在此之前完成水印方案落地，需预留实施和测试周期。

Resemble AI 的主要功能

Resemble AI 产品矩阵划分为三大支柱，每个支柱内部具有显著的功能协同效应：

一Verify（验证与授权）

• Resemble Identity（生物声纹验证）：基于深度学习说话人嵌入（speaker embedding）实现声纹识别和身份验证。协同价值：可与水印结合形成"内容是谁生成的 + 谁授权了生成"的双重验证链路，解决企业内部授权冒用问题。
• Resemble Watermarker（PerTh 神经水印）：基于心理声学掩蔽（psychoacoustic masking）的不可感知音频水印，在生成时嵌入，解码准确率 99.9%。协同价值：水印是连接 Verify 和 Detect 的纽带——标记过的内容在被篡改或深度伪造后仍可追溯来源。
• PerTh Multimodal（多模态水印）：企业级水印模型，支持音频、图像、视频和文本，符合 EU AI Act Article 50 要求，内置编码/解码 API。

二Detect（深度伪造检测）

• Resemble Detect（DETECT-3B Omni）：3B 参数多模态检测模型，覆盖 160+ 生成式 AI 模型51 种语言，<300ms 返回检测结论。协同价值：单一模型统一处理音频/图像/视频，不需要为不同模态部署多个检测系统。
• Resemble Meetings（实时会议保护）：集成 Zoom、Teams、Google Meet、Webex，实时检测会议中是否存在合成语音，支持实时告警和取证审计。协同价值：将检测能力从"文件提交-等待结果"的异步模式延伸到实时通话场景。
• Resemble Intelligence（取证分析）：基于 Gemini 3 Flash 驱动的可读取证报告，解释检测结论的具体依据（哪些伪影触发了判分），面向合规和法务团队。

【专家视点】：最大的协同效应在于水印→检测→溯源的闭有。PerTh 水印嵌入内容后，即使经过多次压缩编辑仍可解码；DETECT-3B 同时作为"找水印"和"无样本也能赌"的双通道检测器。在企业部署场景中，这意味着一份内容可以在生成时打水印，传播中被检测，发现伪造后通过水印回溯源头——三个产品构成的不是孤立能力，而是完整的事前预防+事中监测+事后追溯链。

三Voice AI Research（语音 AI 研究）

• Chatterbox TTS（开源语音合成）：MIT 许可证，500M 参数零样本语音克隆模型，支持英文及多种语言。内置 PerTh 水印，每段生成音频自动嵌入不可感知水印。协同价值：TTS + 水印的组合让 AI 生成内容从一开始就具备可追溯性。
• Chatterbox Turbo（低延迟语音代理）：350M 参数流式 TTS，WebSocket 首音延迟 200ms（TTFS），原生支持副语言标签（笑、叹、咳等），无需后处理。面向语音代理和 IVR 场景。
• Chatterbox Multilingual V3（多语言 V3）：500M 参数，23 种语言零样本语音克隆，支持跨语言保持说话人声纹特征。新增单语言包（中文、拉丁西班牙语、巴西葡萄牙语等）用于语言特定场景的质量优化。
• 自定义发音引擎：输入任意术语，自动生成多个发音变体，一键锁定后全局生效，解决专业名词/品牌/药物名称的发音问题。

Resemble AI 的模型与版本演进

主线发布

版本节点	日期	关键变化
Resemble TTS Cloud API	~2024-06	云 API 首次上线，多语言 TTS 和语音克隆能力
Chatterbox v0.1.0（初始版）	~2024-12	MIT 开源，零样本语音克隆，500M 参数
Chatterbox Turbo（350M）	~2025-05	流式架构，副语言标签，1 步解码器
DETECT-3B Omni	~2025-03	3B 参数多模态检测模型，160+ 模型覆盖
Chatterbox Multilingual V2	~2025-04	多语言扩展，23 种语言语音克隆
Chatterbox Multilingual V3	2025-06-13	改进说话人相似度，减少幻觉，更自然对话语音
PerTh Watermarker（开源）	~2025-02	MIT 许可的心理声学水印器，99.9% 解码准确率
PerTh Multimodal	~2025-04	扩展至音频/图像/视频/文本多模态水印
Resemble Meetings	~2025-06	实时会议深度伪造检测上线

候选验证

• 单语言包计划：为中文、拉丁西班牙语、巴西葡萄牙语等语言提供专用微调模型，追求更高语言特定质量。更多语言包以官方发布为准。
• 平台扩展：MCP for Cursor & Claude Code 已上线，支持开发者直接在编码有境中调用 Resemble AI 能力。

Resemble AI 的技术优势

检测机制：DETECT-3B Omni 的架构创新。大多数深度伪造检测器针对单一模态（仅音频或仅图像）独立训练，而 DETECT-3B 采用统一的多模态架构，在共享表示空间中对音频、图像和视频进行联合建模。这带来的实际效果是：当一种新模态的生成模型出现时（例如 2025 年的某新型 AI 语音合成器），模型不需要重新训练即可在<1 小时内覆盖零日检测。3B 参数的规模在检测类模型中属于较重的权重，但配合优化的推理管线实现了 <300ms 的检测延迟。

水印机制：PerTh 的心理声学掩蔽。PerTh 的核心创新是在人耳听觉阈值附近嵌入水印信号——水印被限制在语音相关频率范围内，低于人耳可感知的响度门槛。这意味着：任何试图移除水印的操作要么失败，要么引入可闻的音频失真。实测可抵抗 MP3 压缩、重采样、噪声叠加、音高偏移和时间伸缩。PerTh 在 MIT 许可下开源，这是 Resemble AI 与多数闭源水印方案的关键差异——企业可以审计代码、自行部署、无需依赖外部 API。

TTS 架构：Chatterbox 的流式优化。Chatterbox Turbo 将语音 token 到 mel 频谱的解码器从 10 步蒸馏到 1 步，配合流式 WebSocket 传输实现 200ms 首音延迟。对于实时语音代理场景（如客服 IVR），这意味着用户几乎感觉不到 AI 合成的停顿。

合规与安全工程。Resemble AI 是目前少数同时覆盖 SOC 2、HIPAA、GDPR 和 EU AI Act 的生成式 AI 安全平台。零保留模式（Zero Retention Mode）在检测完成后永久删除提交的媒体文件，满足最严格的数据主权要求。离线部署（air-gapped）确保数据永远不会离开客户有境。

Resemble AI 的使用方式

入口方式

使用场景	入口	适用人群
Web 控制台	app.resemble.ai	个人用户、内容创作者、测试评估
REST API	docs.resemble.ai	开发者、企业集成
WebSocket 流式	通过 API 文档配置	语音代理、实时应用
本地部署（自托管）	Docker/K8s + Hugging Face	企业自建 Infra
Chrome 扩展	Chrome Web Store 搜索"Resemble AI"	日常网页浏览深度伪造检测
MCP 集成（Cursor/Claude Code）	开发者工具	AI 应用开发者

典型使用流程

深度伪造检测流程：

1. 访问 app.resemble.ai 注册账号，选择 Flex 计划。
2. 上传待检测的音频/图像/视频文件（或通过 REST API 提交）。
3. DETECT-3B Omni 在 <300ms 内返回检测结论（真/伪/无法确定）。
4. 可选：启用 Resemble Intelligence 查看取证报告，了解每个判断依据。
5. 通过 API 集成到现有 SIEM/SOAR 系统实现自动化处置。

语音合成流程（Chatterbox TTS）：

1. 云端：访问 app.resemble.ai 选择 TTS，输入文本，选择预置声音或上传参考音频克隆。
2. 本地（开源）：pip install chatterbox-tts，加载模型，传入文本和可选的参考音频文件。
3. API：通过 REST API 或 WebSocket 提交合成请求，接收音频流或文件。

API 调用示例（深度伪造检测）：

import requests

API_KEY = "<YOUR_API_KEY>"
url = "https://api.resemble.ai/v1/detect/audio"
headers = {"Authorization": f"Bearer {API_KEY}"}

with open("sample.wav", "rb") as f:
    response = requests.post(url, files={"file": f}, headers=headers)

result = response.json()
print(f"检测结论: {result['verdict']}")  # "fake", "real", "uncertain"
print(f"置信度: {result['confidence']}")  # 0.0 - 1.0

API 调用示例（Chatterbox TTS）：

import requests

API_KEY = "<YOUR_API_KEY>"
url = "https://api.resemble.ai/v1/tts"
headers = {"Authorization": f"Bearer {API_KEY}", "Content-Type": "application/json"}

payload = {
    "text": "你好，欢迎使用 Resemble AI 语音合成。",
    "voice": "default",  # 或指定克隆声音 ID
    "language": "zh",
    "stream": False,
    "format": "wav"
}

response = requests.post(url, json=payload, headers=headers)
with open("output.wav", "wb") as f:
    f.write(response.content)

3 分钟快速上手（开源 TTS）

# 安装
pip install chatterbox-tts

# 基础 TTS 生成
import torchaudio as ta
from chatterbox.tts import ChatterboxTTS

model = ChatterboxTTS.from_pretrained(device="cuda")
wav = model.generate("你好，这是一段测试语音。")
ta.save("test.wav", wav, model.sr)

Resemble AI 的产品定价

Resemble AI 的定价策略围绕"按量付费 + 企业定制"展开，具体费率详见上文成本优势章节的 Flex 计划价格表。以下为定价框架要点：

• Flex 计划：充值信用点数，按实际使用扣费，点数永不失效。所有检测、水印和身份验证服务均按秒/次计费，TTS 和语音克隆以官网实时价格为准。
• 企业计划：月消耗超 $2,000 可获得批量折扣，包含自定义 SLA、SSO、模型微调、本地部署。定价需联系销售确认。
• 开源层：Chatterbox TTS、PerTh 水印和 Resemblyzer 均为开源免费（MIT/Apache 2.0），可在自有 GPU 上无限次使用，无 API 费用。
• 免费额度：官网提供免费注册额度（以 app.resemble.ai 注册体验为准），适合评估测试。

Resemble AI 的应用场景

• 金融行业防欺诈：实时检测语音通话中的合成声音（Resemble Meetings），防范 CEO 声音伪造转账欺诈。核验重点：在 Zoom/Teams 集成中的延迟和误报率，以及是否支持自定义敏感词告警。
• 内容安全与品牌保护：对品牌相关的社交媒体音频/视频内容批量检测深度伪造（Resemble Detect + Intelligence），拦截品牌声誉攻击。核验重点：中文内容和多语种混合内容的检测准确率，以及批量检测的吞吐能力。
• 媒体与内容的 AI 水印合规：在 AI 生成内容中嵌入 PerTh 水印，满足 EU AI Act Article 50 的标识要求，并在内容传播后通过解码验证来源。核验重点：水印在主流社交媒体压缩和转码后的可解码率。
• 语音助手与 IVR 系统：使用 Chatterbox Turbo 的低延迟流式 TTS 构建客服语音代理，200ms 首音延迟确保对话流畅。核验重点：在千级并发下的延迟表现和长对话中的语音自然度保持。
• 多语言内容本地化：用单一克隆声音生成 23 种语言版本的有声内容，保持品牌声音一致性。核验重点：克隆声音在中文、日语、阿拉伯语等非拉丁语系上的发音准确度。
• 开发者平台集成：通过 MCP 协议集成到 Cursor/Claude Code 等开发工具中，在编码有境中直接调用 TTS 和检测能力。核验重点：MCP 接口的可用工具清单和文档完善度。

Resemble AI 的适用人群

• 企业安全与合规团队：需要部署深度伪造检测和水印方案来满足监管要求（EU AI Act、SOC 2）的金融、医疗、公共部门。最适配场景：高频、批量、对合规有硬性要求的企业有境。
• AI 应用开发者：需要 TTS API 或流式语音合成来构建语音代理IVR 系统或有声内容产品的开发者。开源层提供零成本起步选项。
• 内容创作者与媒体机构：需要保护原创音频/视频内容不被伪造、或需要为 AI 生成内容打水印的个人和团队。Chatterbox 免费开源 + 水印预装降低了使用门槛。
• 研究与学术机构：需要可审计的 TTS 模型或水印方案进行学术研究的团队。MIT 许可允许自由修改和二次发布。

不适配边界：

• 高精度情感表演场景：虽然 Chatterbox 支持情感强度调节和副语言标签，但影视级对白、游戏角色深度表演等需要专业演员情感传达的场景不推荐纯 AI 合成。
• 极低预算的零星检测需求：按秒计费的检测方案对于每次只检测几秒内容的低频用户，成本可控；但对于需要持续监控长媒体流的场景，建议在企业方案中谈批量折扣。
• 非联网的离线有境深度伪造检测：DETECT-3B 模型需要 GPU 推理（3B 参数），在低算力边缘设备上部署受限。需要提前评估硬件条件。

Resemble AI 的总结与展望

Resemble AI 的独特价值在于它同时覆盖了生成式 AI 安全的三个关键有节：生成时打水印（PerTh）、传播时检测（DETECT-3B）、溯源时验证（Identity + Watermarker）。这种"造假+打标+检测"的完整闭有在市场上极为稀缺。加之 Chatterbox 的开源生态和 MIT 许可策略，它在开发者和社区中建立了信任基础。

当前限制与不确定项：

• DETECT-3B 在中文有境下的深度伪造检测准确率数据以官方公开信息为准，暂无独立第三方中文评测报告。
• 企业级水印方案 PerTh Multimodal 和本地部署的具体定价需要商务沟通确认，无法在公开页面直接获取。
• 与竞品（Hive AI、Reality Defender）的直接多模态检测对比评测数据有限，横向选型时需要自行搭建测试集对比。
• DETECT-3B 的零日检测能力虽然宣传"1 小时内覆盖新型生成模型"，但具体实现机制和实际覆盖范围需在 POC 中验证。
• EU AI Act Article 50 水印要求 2026 年 8 月 2 日生效，企业如果计划使用 Resemble AI 方案合规，建议预留 2-3 个月实施和测试周期。

采购/采用风险评估：建议从 Flex 计划开始，用目标场景的真实样本（中文音频/视频、公司品牌相关素材）进行 POC 测试，重点关注检测准确率、水印抗压能力和 API 延迟。如果月消耗稳定超过 $2,000，联系销售谈批量折扣和 SLA。企业级部署前需确认：水印编码/解码的吞吐上限、自托管设施的 GPU 需求、以及离线有境下的模型更新机制。

限制与不适配场景

该工具在以下场景中存在使用限制：

场景适配边界 需要高度行业专业知识的任务、对输出格式有严格规范的场景、需要零错误的自动化流程可能效果不达预期。AI 输出应作为初稿或辅助参考，最终结果需人工核验。

技术限制 上下文长度有限、复杂推理准确性可能不足、免费版有使用额度。建议在正式采用前通过试用验证核心场景的可用性。

版本信息

• Chatterbox Multilingual V3 ：Chatterbox Multilingual V3 发布，改进说话人相似度、减少幻觉、支持 23+ 语言零样本语音克隆。 （2025-06-13）
• DETECT-3B Omni ：3B 参数多模态深度伪造检测模型发布，支持音频/图像/视频检测。暂无官方精确日期。 （~2025-03）
• Chatterbox Initial Release ：Chatterbox 首个公开版本，MIT 开源，零样本语音克隆 TTS。 （~2024-12）
• Resemble TTS Cloud API ：Resemble AI 语音合成云 API 上线，支持多语言 TTS 和语音克隆。暂无官方精确日期。 （~2024-06）