Voicebox —— 本地优先的开源 AI 语音工作室
📌 项目简介
Voicebox 是由 Jamie Pine 打造的开源 AI 语音工作室，一句话概括：克隆任意声音、生成语音、随时听写、还能让你的 AI 智能体用你拥有的声音开口说话。它是 ElevenLabs（语音输出）与 WisprFlow（语音输入）的本地优先、免费开源二合一替代品，整套语音 I/O 栈都跑在你自己的机器上。
⭐ GitHub 43,196 stars ｜ 🍴 5,280 forks ｜ 📅 创建于 2026-01-25，更新于 2026-07-19（当日 GitHub Trending 热门）｜ 📜 MIT 许可 ｜ 💻 TypeScript / Tauri(Rust) / FastAPI(Python)
🛠 安装要求和过程
环境要求
- 普通用户：直接下载桌面应用，无需配置开发环境；支持 macOS（Apple Silicon / Intel）、Windows、Linux（需源码构建）、Docker。
- GPU 加速：macOS 走 MLX/Metal（神经引擎快 4-5×），Windows/Linux NVIDIA 走 CUDA，AMD 走 ROCm，Intel Arc 走 IPEX/XPU，Windows 任意显卡走 DirectML，无显卡则回退 CPU。
- 开发者构建：需 Bun、Rust、Python 3.11+、Tauri 前置依赖（macOS 还需 Xcode）。
快速安装（三种方式）
方式一 · 下载安装包（推荐）
- macOS（Apple Silicon）：下载 DMG
- macOS（Intel）：下载 DMG
- Windows：下载 MSI
- Docker：
docker compose up - Linux：暂无预编译包，参见 源码构建指南
方式二 · 开发者一键启动
git clone https://github.com/jamiepine/voicebox.git
cd voicebox
just setup # 创建 Python venv 并安装全部依赖
just dev # 启动后端 + 桌面应用（先安装 just 命令运行器：brew install just 或 cargo install just）
方式三 · 接入 AI 智能体（MCP）
claude mcp add voicebox \
--transport http \
--url http://127.0.0.1:17493/mcp \
--header "X-Voicebox-Client-Id: claude-code"✨ 核心功能
- 7 大 TTS 引擎，自由切换：Qwen3-TTS、Qwen CustomVoice、LuxTTS、Chatterbox Multilingual、Chatterbox Turbo、HumeAI TADA、Kokoro，覆盖 23 种语言（英/阿/日/印地/斯瓦希里等），并支持零样本声音克隆与 50+ 预设音色。
- 声音克隆 + 语音性格：几秒参考音频即可克隆任意声音；可为每个声纹绑定自由格式的”性格”，通过本地 Qwen3 LLM 实现 Compose（即兴台词）与 Speak-in-character（拟人改写）。
- 全局听写 / 语音输入：系统级热键按住说话、松手即停（push-to-talk），macOS 下自动粘贴到当前输入框；底层基于 OpenAI Whisper 的 STT，支持 Base/Small/Medium/Large/Turbo。
- 后期音效处理：基于 Spotify
pedalboard的 8 种效果——变调、混响、延迟、合唱、压缩、增益、高/低通滤波，可实时预览并存为预设。 - Agent 语音输出（MCP）：一句
voicebox.speak()调用，任何支持 MCP 的智能体（Claude Code / Cursor / Cline / Windsurf）都能用你克隆的声音向你播报任务进展。
🎯 典型使用场景
- 播客 / 有声内容创作：用内置 Stories 多轨时间线编辑器，零样本克隆嘉宾声音，一键生成多角色对话、播客与叙事音频，长文本自动分块 + 交叉淡入淡出。
- AI 编码智能体开发循环：把 Claude Code 绑定到某个克隆声纹，构建完成、测试通过时它能”开口”告诉你——用耳朵接收进度，而不是一直盯着终端。
- 无障碍与语音辅助：为无法用原声说话的人提供克隆声音；全局热键听写 + macOS 自动粘贴，大幅提升文字录入效率。
- 游戏 / 叙事交互：为游戏角色或互动叙事工具接入带”性格”的语音，实现有情绪、带语气词的拟人对话。
💡 推荐理由
我用过多家云端语音服务，Voicebox 最打动我的是三点：
- 真正的本地优先 + 隐私优先。模型、声音数据、录音全部留在本机，不上传任何云，对注重数据主权的用户极其友好。
- 输入 + 输出一站式。ElevenLabs 只管”说”，WisprFlow 只管”听”，Voicebox 把两者打通，还用一个本地 LLM 串联性格改写，一 GPU 显存占用搞定全套。
- 给 AI Agent 配声音这个设计非常新颖。当你的编码助手能用你熟悉的声音播报”部署完成”，人机交互的体验立刻不一样，这也是它和同类工具最大的差异化。
⚠️ 一点不足：Linux 目前没有预编译二进制，需要源码构建；同时 7 个引擎质量参差，部分小模型音色一般，建议按场景挑选。但瑕不掩瑜，作为开源语音 I/O 基础设施，它已经非常能打。
📥 下载地址
- 🌐 官网 / 下载：https://voicebox.sh
- 📚 文档：https://docs.voicebox.sh
- 💻 GitHub 仓库：https://github.com/jamiepine/voicebox
- ⬇️ 各平台安装包：https://voicebox.sh/download
本文由自动化脚本基于 GitHub 公开仓库信息整理，项目数据截至 2026-07-19。
