Respeecher：真正出现在好莱坞作品署名中的声音技术

当卢克·天行者在 《曼达洛人》 中再次以年轻时的声音开口，当达斯·维达的声音在 《欧比旺》 中回归时，背后的工作室并不是 AI 领域家喻户晓的名字，而是 Respeecher，一支在基辅工作的小团队。这两项制作贡献都真实存在，也都得到了 Lucasfilm 的公开认可；第二项工作还是团队在 2022 年俄罗斯入侵期间躲避轰炸时完成的。这就是这款工具所处的水准：它不是用来快速制作片段的消费级应用，而是在声音效果必须经得起电影成片检验、而不只是演示片段展示时，制作公司会选择的语音转换技术。

什么是 Respeecher？

Respeecher 于 2018 年 2 月由 Alex Serdiuk、Dmytro Bielievtsov 和 Grant Reaber 在乌克兰基辅创立。自成立以来，它大部分时间都在直接与影视制作团队合作，而不是优先打造面向大众的应用。其有真实署名的作品包括为 《曼达洛人》 中年轻的卢克·天行者配音，在多部 Disney+《星球大战》剧集中还原 James Earl Jones 的达斯·维达之声，以及润色 《粗野派》 中 Adrien Brody 和 Felicity Jones 的匈牙利语对白。后者最终获得三项奥斯卡奖，而使用 Respeecher 辅助制作的项目累计获得了超过 20 项奥斯卡提名。在俄罗斯全面入侵乌克兰期间，公司仍持续交付制作项目，包括在躲避轰炸时完成 《欧比旺》 中的维达音频。考虑到 AI 声音行业的许多营销还停留在愿景，而不是在真实条件下证明能力，这个细节值得了解。

Respeecher 的功能优势

• 转换真实表演，而不是从文字生成表演。 Respeecher 在声学域中处理音频，而不是从剧本出发，因此可以保留真实录音中的情绪、呼吸、节奏和非语言声音。这类细腻表现，文字转语音只能尝试模拟，无法直接继承。
• 修改剧本，无需重新预约被复刻声音的原演员。 目标声音训练完成后，新台词由源声音表演者的朗读来驱动，无需原演员重新录制。这正是制作公司用它来避免昂贵补拍和补录的实际原因。
• 绕开基于文本的 TTS 容易遇到的问题。 直接处理音频，而不是依赖发音词典，意味着陌生的人名、缩略词，以及笑声或喘息等非语言声音都能自然保留下来，避免基于词典的系统遇到的发音错误和低资源语言问题。
• 两种服务层级适配不同规模的项目。 自助式 Voice Marketplace 和 API 服务于规模较小的创作者项目，例如游戏对白、YouTube 内容和独立配音；专门的 Voice Lab 团队则为完整的影视制作提供全程专属支持。
• 用音频超分辨率工具修复陈旧或劣化的录音。 档案磁带、旧 Skype 通话或低码率 MP3 可以在转换前恢复到可用的质量。需要从不完美的原始素材中重现历史人物或已故者的声音时，这一点尤其重要。

Respeecher 的语音转换究竟如何工作

Respeecher 的核心技术是语音到语音（STS）转换，而不是文字转语音，这个区别比听起来更重要。每个项目都从两种声音开始：目标声音，也就是你希望最终输出听起来像谁；以及源声音，即由表演者以真实的节奏、情绪和表达方式朗读台词。通常，大约一小时的干净目标声音录音就足以训练一个转换模型，而目标录音和源录音都需要覆盖最终输出所需的情绪范围。平淡、中性的朗读无法让克隆声音在之后逼真地喊叫或耳语。

根据 Respeecher 自己的专利申请，转换过程依赖一个对抗式迭代优化循环：生成模型先产出候选音频，将源表演映射到目标声音的音色上；一个独立的判别模型再将候选音频与目标声音的真实录音进行核对，并在涵盖许多不同声音的更广泛音色数据空间中进行评估，而不是只对照单个参考片段，以发现不一致之处。这些不一致之处会反馈给生成器，由它产出改进后的候选音频，如此循环，直到输出足够逼真。整个过程直接处理声学信号，而不是先将文字转成音素，因此 Respeecher 能够保留笑声、呼吸和情绪起伏，而基于词典的 TTS 系统需要从头重建这些细节。这也解释了为什么制作中途修改剧本时，需要重新录制的是源声音演员的朗读，完全不必让目标声音的原演员重录。

Respeecher 的价格

Respeecher 根据你的实际用途提供三套不同的定价方式，需要明确的是，其中只有一部分可以自助使用：

• Voice Marketplace（自助式 STS/TTS）： 可以按生成音频的分钟数购买按量计费的点数，也可以为更高频、持续的使用选择月度订阅。第三方价格追踪网站报告的订阅档位大致为每月 150–450 美元，但 Respeecher 没有公布固定的公开价目表，因此在结账时确认之前，任何具体数字都应视为估计值。正式付费前可以先免费试用，据报道试用期约为 3 天。
• 实时 TTS API： 按量计费，公开资料提到的实时文字转语音生成价格约为每小时 2 美元，面向需要低于 200ms 响应时间的游戏对白等应用。
• 电影、电视及定制 Voice Lab 项目： 只能通过 Respeecher 销售团队获取报价，完全没有公开价目表。经历过这一流程的第三方评测者表示，专业项目的单次声音转换通常从 2,000–5,000 美元起，整部长片的对白替换则可能达到数万美元。不过，Respeecher 本身没有公布这些数字，实际费用很大程度上取决于音频时长、声音复杂度，以及授权和核验所需的成本。

实际选择时，如果你只是测试这项技术，或在做规模较小的创作者项目，Marketplace 和 API 可以让你直接获得基于真实用量的费用数据，无需联系销售。如果你计划用于影视制作，就要为销售沟通安排时间和预算，而不是期待一个直接付款的页面。这款产品的高端服务确实就是这样销售的。

获得更好 Respeecher 效果的技巧

• 录制未经处理、未经压缩的源音频。 Respeecher 官方指南要求使用干净、未经处理的 48kHz/16-bit 音频。提交前不要添加效果、压缩或任何后期处理，因为这些处理之后无法被干净地分离出去。
• 先降噪，再转换，不要反过来。 背景噪声、嗡鸣或伪影就像 AI 与它需要分离的人声信号之间的污迹。在转换前先进行一次降噪，无论使用 Marketplace 的内置工具还是外部软件，都比事后清理输出能得到明显更干净的效果。
• 目标音频和源音频都要覆盖所需的完整情绪范围。 平淡、中性的朗读无法教会模型在之后逼真地喊叫、耳语或表达痛苦。首次录音时就应覆盖项目实际需要的情绪范围，而不只是平静的旁白。
• 不要认定陈旧或劣化的录音无法使用。 档案磁带、旧通话和低码率文件往往可以先通过音频超分辨率修复，再进行转换。如果你使用的是不完美的历史素材，而不是新录制的棚录音频，这一点很重要。
• 首次转换前，认真完成声音校准。 校准会建立平均音高等基准特征。匆忙完成这一步，会让之后的转换需要更多修正；一开始就做好反而更省事。

Respeecher 与 Play.ht 对比

这两款工具解决的问题几乎相反。Play.ht 的目标是让克隆声音在实时对话中立刻回应：其中并没有真正的“表演”在被转换，只有文字输入，以及尽可能快速输出的音频流。Respeecher 的目标则是保留已经发生的表演，将其中的情绪质感带入另一种声音，用于最终会以成品形式被观看或收听的内容，而不是让人实时与之交谈。如果你的项目是语音智能体，Respeecher 的架构完全不适合；如果你需要让一场戏听起来像是由某位特定演员演绎的，那正是 Respeecher 为之打造的用途。

常见问题

Respeecher 可以用来做什么？

Respeecher 用于影视配音、声音修复与年轻化、电子游戏角色声音，以及多语言本地化，也就是任何需要将特定声音的表演以另一种身份或语言保留下来的场景。

Respeecher 的声音克隆与文字转语音一样吗？

不一样。Respeecher 的核心技术是语音到语音转换：它将已有的表演录音转换成目标声音，而不是像大多数基于 TTS 的克隆工具那样，从输入的文字生成语音。

Respeecher 的费用是多少？

这取决于你使用哪款产品。自助式 Voice Marketplace 采用按量付费点数或月度订阅，实时 TTS API 的价格约为每小时 2 美元，而定制影视声音克隆项目只能通过 Respeecher 销售团队获取报价，没有公开价目表。

我可以用 Respeecher 克隆任何人的声音吗？

不可以。Respeecher 在启动任何项目之前都要求提供授权证明，未经本人明确许可，不会克隆在世的普通个人或演员的声音。不过，根据其自身的伦理政策，它允许以非欺骗性方式使用部分历史人物和公众人物的声音。

Respeecher 能实时工作吗？

其 Voice Marketplace 的转换目前不是实时的，但 Respeecher 独立提供的 TTS API 专为低延迟使用而设计，能在大约 200 毫秒内生成音频，用于游戏对白等应用。

用 Echora 为录音更换声音

如果你想在浏览器中尝试类似的语音转换流程，可以将语音录音上传到 Echora 的变声器，选择内置声音，或添加目标声音的参考录音。Echora 会以源录音中的说话内容和表演为基础，生成换用另一种声音的版本，随后即可试听和下载。

开始转换录音 →