Resemble AI 釋出 DramaBox：像寫劇本一樣控制語音，嘆氣大笑全聽指揮

做過配音或者用過語音合成的人，大概都遇到過這種讓人抓狂的狀況：AI 讀出來的字句明明全對，音質也沒問題，但聽起來就是有一股說不出的假，平得像白開水。

過去你想讓它帶點情緒，得在後臺調各種數值引數，或者在臺詞裡塞滿奇怪的程式碼標籤。可現實裡哪個導演會衝著演員喊「情緒強度給我拉高 20%」？

語音生成公司 Resemble AI 拿出了一個新思路，正式釋出表現力語音模型 DramaBox。他們解決平淡感的方法很直接：把提示詞徹底做成電影劇本，用大白話寫場景和動作，讓 AI 自己去領會表演。

像劇本一樣分工，引號外全是戲

DramaBox 的核心機制其實非常簡單，它把輸入文本分成了兩個互不干擾的空間。

雙引號裡面的內容，是角色要讀出來的臺詞；雙引號外面的一切文字，模型都會當成舞臺指示和背景設定，絕不會傻傻念出來。

比如你在提示詞裡寫「一位高貴的女人帶著冷酷的怒意，低聲嘆了一口氣：『我已經告訴過你一千次了，可我們又回到了這裡。』」模型就會先給出一聲沉重的嘆息，再帶著壓抑的怒火念出臺詞。

如果你想讓角色中途笑場，只要在引號外寫「她一邊說一邊忍不住咯咯直笑，在笑聲間隙倒吸了一口氣」，生成出來的音訊裡就會自然夾雜憋笑、喘息甚至笑到破音的效果，而不是生硬地把嘆氣和笑聲拼貼上去。

更方便的是它支援聲音克隆。你只需要餵給它一段 10 秒鐘的參考音訊，模型就能復刻那個人的音色，同時完全遵循劇本里的情緒演出來；如果不給參考音訊，它就會自己編造一個符合場景描述的全新嗓音。

3.3B 引數與 24GB 視訊記憶體的本地門檻

從技術底層看，DramaBox 是一個 3.3B 引數的純音訊擴散 Transformer，搭配了一個 4-bit 量化的 Gemma 3 12B 文本編碼器，部分技術也是從影片模型 LTX 2.3 中提取演化而來。

它能輸出 48kHz 的立體聲高質量音訊。在預熱過的 H100 顯示卡上，單次生成只需要大約 2.5 秒。

更棒的是，Resemble AI 這次直接開放了模型下載和本地執行說明。不過想在自己的電腦上跑起來，硬體門檻著實不低。

音訊模型本身雖然只有 7GB，但加上 8GB 的文本編碼器和其他元件，官方給出的峰值視訊記憶體佔用高達 24GB。16GB 視訊記憶體或許能勉強碰碰運氣，但基本還是需要一張中高階獨立顯示卡才能順暢執行。

此外，他們還在音訊訊號本身嵌入了防偽水印 Resemble Watermarker。這種水印人耳完全聽不見，但即使經過壓縮、重編碼或常規音訊剪輯，檢出率依然接近 100%，專門用來應對歐盟 AI 法案等法規對深度偽造的合規要求。開源機器學習工程師 Joshua Lochner 隨後發文祝賀，並透露 Resemble TTS 家族在 Hugging Face 上的總下載量已經突破了 1000 萬次。

為什麼重要

我們認為，DramaBox 最聰明的地方在於把語音控制從「機器引數」拉回到了「人類直覺」。

以往無論是調節語調還是插入擬聲詞，創作者都要在各種標籤系統和百分比滑塊裡反覆試錯。用劇本格式隔開臺詞和表演指示，不僅大幅降低了學習成本，也讓長篇有聲書、播客和遊戲配音的自動化製作變得真正可行。

對獨立開發者和小型遊戲團隊來說，只要手頭有張好顯示卡，就能在本地低成本搞出極具戲劇張力的 NPC 對話，完全告別過去傳統 TTS 的機械味。

不過門檻也明明白白擺在那裡。高達 24GB 的視訊記憶體佔用直接把絕大多數普通消費級電腦擋在門外，本地部署目前仍然是少數高階玩家的遊戲。

對整個行業而言，Resemble AI 把高表現力生成和防偽水印綁在一起開源，更像是在給同行樹立標杆：光把聲音做逼真已經不夠了，面對日趨嚴格的法律監管，誰能同時交出令人信服的演技和防濫用方案，誰才握有商業落地的門票。