Resemble AI

Resemble AI es una empresa de IA de voz fundada en 2019 con sedes en Toronto y San Francisco. Opera como una plataforma de tres pilares que abarca la generación de voz, las marcas de agua de audio y la detección de deepfakes, todo ello a través de una API para desarrolladores y un panel web. Clientes empresariales como Netflix, Paramount, Deutsche Telekom, el World Bank y Axel Springer utilizan la plataforma para la clonación de voz, la producción de contenidos y la seguridad de medios sintéticos. En diciembre de 2025, la empresa cerró una ronda de financiación de $13 millones respaldada por el Google's AI Future Fund, Okta Ventures y el Sony Innovation Fund, elevando la financiación total a $25 millones.

El producto principal de generación de la plataforma es la familia de modelos Chatterbox, lanzada en código abierto bajo la licencia MIT en 2025. La suite incluye Chatterbox (calidad completa), Chatterbox Turbo (350M de parámetros, velocidad de producción con soporte para etiquetas paralingüísticas) y Chatterbox Multilingual (más de 23 idiomas). En cuanto a la detección, Resemble Detect-3B Omni es un modelo multimodal de 3 mil millones de parámetros que alcanza una precisión del 98% en más de 40 idiomas y lidera las clasificaciones de detección de deepfakes de Hugging Face. La plataforma también incluye Perth, una capa de marca de agua neuronal imperceptible que sobrevive a la compresión MP3 y a la edición de audio.

Qué produce Resemble AI en abril de 2026

La parte de generación de la plataforma abarca cinco tipos de salida distintos. La conversión de texto a voz transforma el contenido escrito en audio utilizando Chatterbox Turbo como motor predeterminado. La clonación de voz se ofrece en dos niveles: Rapid (unos pocos minutos de audio de referencia) y Pro (de 10 minutos a una hora, mayor fidelidad). El cambiador de voz por IA se encarga de la conversión de voz a voz en tiempo real, enrutando el audio en vivo a través de un perfil de voz objetivo. La plataforma también maneja la transcripción de voz a texto y la mejora de audio como parte de la misma superficie de la API.

Vale la pena destacar específicamente la arquitectura de Chatterbox Turbo. El decodificador mel se redujo de 10 pasos de generación a uno solo, conservando al mismo tiempo un audio de alta fidelidad, que es como el modelo logra una velocidad de nivel de producción sin sacrificar la calidad de salida. El modelo turbo admite de forma nativa etiquetas paralingüísticas como [cough], [laugh] y [chuckle], añadiendo una variación naturalista que los sistemas puramente basados en texto no pueden replicar. Cada archivo de audio generado a través de Resemble lleva una marca de agua neuronal incrustada del sistema Perth, invisible para los oyentes pero detectable por las herramientas de verificación de Resemble incluso después de la recodificación o edición en MP3.

En cuanto a la detección, Detect-3B Omni opera simultáneamente en audio, video, imágenes fijas y texto. Utiliza lo que Resemble denomina un enfoque de "modelo generativo inverso", analizando los rastros matemáticos de las predicciones del modelo de IA a nivel de fotograma y píxel en lugar de buscar patrones de artefactos sintéticos conocidos. Esto es importante porque los enfoques de coincidencia de patrones fallan cuando el audio se vuelve a grabar o se filtra. Detect-3B no requiere el registro de voz de los participantes antes de poder marcar una llamada.

"La mayoría de los modelos de detección de deepfakes en este momento son extremadamente frágiles. Si aplicas un filtro o comprimes el audio, el modelo se descontrola por completo". - Zohaib Ahmed, CEO de Resemble AI, SiliconANGLE, 8 de diciembre de 2025

Dónde se sitúa Resemble AI frente a ElevenLabs y Cartesia

Las tres empresas representan apuestas genuinamente diferentes sobre lo que más necesita el mercado de la IA de voz. Comprender dónde divergen mecánicamente ayuda a aclarar cuál pertenece a una pila tecnológica determinada.

ElevenLabs se construyó desde el extremo del mercado de consumo. Su modelo Flash ofrece audio en 75ms de TTFA con buenas conexiones, y su modelo multilingüe completo obtiene una puntuación del 89.60% de "muy humano" en evaluaciones independientes de naturalidad. La tasa de error de palabras para el TTS vinculado a la transcripción se sitúa en el 2.83%. El embudo freemium para consumidores es agresivo: 10,000 caracteres al mes gratis, con niveles de pago que escalan hasta 2 millones de caracteres por $330/mes. ElevenLabs opera una de las bibliotecas de voces preconstruidas más grandes del mercado, lo que es un diferenciador clave para los equipos de contenido que no desean gestionar el entrenamiento de voces personalizadas. La contrapartida es que ElevenLabs no tiene implementación local (on-premise), la telefonía alcanza un máximo de 8kHz y la plataforma no tiene ninguna capacidad de detección de deepfakes. Para los equipos empresariales que necesitan una clonación de voz de marca estrictamente controlada con cumplimiento SOC 2 y explicabilidad en el lado de la detección, ElevenLabs no puede sustituir a Resemble.

Cartesia se sitúa en el extremo opuesto del dial de latencia. Su modelo Sonic (y Sonic Turbo a 40ms) está construido sobre una arquitectura de modelo de espacio de estados en lugar de transformadores, lo que le permite transmitir audio token por token con una latencia del primer byte significativamente menor que cualquiera de sus competidores. Cartesia requiere solo 3 segundos de audio de referencia para un clon de voz instantáneo, en comparación con el nivel Rapid de Resemble que requiere varios minutos. El cumplimiento SOC 2 y la implementación local están disponibles. El enfoque de Cartesia se centra casi por completo en el caso de uso de agentes de voz, es decir, conversaciones interactivas donde una respuesta inferior a 100ms importa más que el rango expresivo. No ofrece detección de deepfakes, marcas de agua ni un flujo de trabajo de creación de contenido de producción. Resemble ejecuta un TTFA de 170ms a 3000ms dependiendo del modelo y la carga, lo que supone una brecha significativa para las aplicaciones de agentes en tiempo real, pero es en gran medida irrelevante para la narración, el doblaje y la producción de contenido.

El diferenciador específico de Resemble en esta comparación es la historia de la plataforma integrada: un único proveedor para la generación, las marcas de agua y la detección de deepfakes, además de un modelo Chatterbox de código abierto que los equipos pueden alojar por sí mismos sin regalías. Ni ElevenLabs ni Cartesia ofrecen esa combinación. En pruebas A/B a ciegas, Chatterbox Turbo fue preferido sobre ElevenLabs por el 65.3% de los oyentes, lo que es un punto de referencia creíble para el lado de la calidad del argumento.

"Su tecnología proporciona el tipo de verificación de señales impulsada por IA que será fundamental para fortalecer el tejido de seguridad de la identidad". - Stephen Lee, VP Technical Strategy, Okta Ventures, diciembre de 2025

La realidad de las licencias y los derechos de autor

La familia de modelos de código abierto Chatterbox de Resemble AI se publica bajo la licencia MIT. Esto significa que el uso comercial, el autoalojamiento, la modificación de pesos y la implementación en producción están permitidos sin regalías, reparto de ingresos ni límites de uso. Los términos de MIT cubren los tres modelos de la familia: Chatterbox, Chatterbox Turbo y Chatterbox Multilingual. Los equipos que necesitan procesar audio en sus instalaciones por razones regulatorias o de privacidad pueden hacerlo sin una dependencia continua del proveedor.

El sistema de marcas de agua (Perth) añade una capa que es importante para la defensa legal en contextos empresariales. Cada archivo de audio generado por la API alojada lleva una marca de agua neuronal imperceptible que sobrevive a manipulaciones comunes, incluyendo la recodificación MP3, la edición de audio y la compresión. Las herramientas de detección de Resemble pueden identificar la marca de agua incluso después de esas transformaciones. Para las empresas de medios, esto crea un rastro de auditoría que puede demostrar la procedencia de la narración generada por IA, lo que se ha vuelto significativo en el contexto de los acuerdos de SAG-AFTRA y los requisitos emergentes de divulgación de IA.

En cuanto al consentimiento de clonación, Resemble requiere que los propietarios de la voz verifiquen su consentimiento antes de que una voz clonada pueda usarse en la plataforma. Los términos de servicio de la empresa prohíben clonar voces sin el permiso del sujeto, y los contratos empresariales incluyen disposiciones sobre cómo se pueden y no se pueden implementar las voces clonadas. Esto está estructurado de manera más formal que en algunos competidores cuyas políticas de consentimiento están definidas de manera más flexible en la práctica.

Dónde Resemble AI se queda corto de manera constante

La latencia es la limitación más documentada. El rango de TTFA de Resemble de 170ms a 3000ms lo sitúa por detrás tanto de Cartesia (90ms) como de ElevenLabs Flash (75ms) para aplicaciones conversacionales en tiempo real. La brecha es más importante para los casos de uso de agentes de voz donde los usuarios pueden percibir retrasos por encima de aproximadamente 150ms. Para la producción de contenido (doblaje, narración, locución), la latencia no es un factor de decisión, pero para la automatización de centros de llamadas o asistentes de IA en vivo, Resemble requiere una arquitectura cuidadosa para mantenerse dentro de ventanas de respuesta aceptables.

Los requisitos de datos para la clonación de voz son más altos que en algunas alternativas. El nivel Rapid requiere varios minutos de audio de referencia para producir un clon utilizable; el nivel Pro requiere de 10 minutos a una hora. La capacidad de clonación de 3 segundos de Cartesia establece un nuevo estándar que Resemble no ha igualado. Para los clientes que necesitan incorporar perfiles de voz rápidamente o a escala, este es un verdadero punto de fricción en los flujos de trabajo de producción.

El soporte al cliente para cuentas más pequeñas es una queja persistente. Las reseñas en Trustpilot promedian 1.9, impulsadas en gran medida por informes de poca capacidad de respuesta y dificultad para cancelar suscripciones. La experiencia de soporte de nivel empresarial parece sustancialmente diferente (con contactos dedicados), pero el segmento del mercado medio y prosumidor parece estar desatendido. Las sorpresas en la facturación en el modelo de pago por segundo son un problema recurrente para los equipos que no establecen límites de uso.

La estructura de precios de pago por uso, aunque flexible, crea complejidad presupuestaria para los equipos acostumbrados a suscripciones de tarifa plana. La detección de deepfakes en video a $0.07/segundo es una de las tarifas más caras de la plataforma y puede generar costos inesperados en flujos de trabajo de seguridad que implican la revisión de video de alto volumen.

Para quién es Resemble AI

El ajuste más fuerte es para los equipos de desarrollo empresarial que construyen infraestructura de agentes de voz, canales de producción de medios o herramientas de seguridad y cumplimiento. Si tu equipo necesita una única API que cubra la generación de voz, la autenticación de contenido y la detección de medios sintéticos, respaldada por el cumplimiento SOC 2, SSO, opciones locales y clientes empresariales verificables, Resemble AI es una de las pocas plataformas que cubre los tres. La financiación de diciembre de 2025 de inversores institucionales, incluido el Google's AI Future Fund, es una señal razonable de que la empresa no desaparecerá a corto plazo.

La familia de código abierto Chatterbox es una opción legítima para los equipos de desarrolladores que desean autoalojar un modelo TTS de calidad con términos MIT y sin límites de uso. El millón de descargas en Hugging Face y las más de 11,000 estrellas en GitHub a las pocas semanas de su lanzamiento indican una adopción real por parte de la comunidad, no solo marketing. Los equipos que evalúan la IA de voz autoalojada como alternativa a la dependencia de la API deberían probar Chatterbox Turbo específicamente.

Evita Resemble AI si eres un creador individual o un equipo pequeño sin capacidad de integración de API. El modelo de precios, el diseño del producto y la experiencia de soporte están calibrados para compradores empresariales técnicos. ElevenLabs tiene una experiencia de incorporación de consumidores sustancialmente mejor, una biblioteca de voces preconstruidas más grande y un nivel gratuito más predecible. Si tu caso de uso principal es la IA conversacional en tiempo real donde la latencia es la restricción de primer orden, Sonic Turbo de Cartesia a 40ms de TTFA es la mejor opción.

El proyecto The Andy Warhol Diaries en Netflix sigue siendo el caso de estudio más claro: 3 minutos y 12 segundos de grabaciones de voz originales produjeron una narración sintética de calidad documental que obtuvo cuatro nominaciones a los premios Emmy en 2022. Para cualquier empresa que considere la clonación de voz de alto riesgo donde la voz de origen tiene audio disponible limitado, ese historial tiene peso.