标签： TTS

Voicebox：47.5K Stars 的开源 AI 语音工作室，克隆声音、全局听写、让 AI 智能体开口说话
项目简介

Voicebox 是一款本地优先的开源 AI 语音工作室——相当于把 ElevenLabs（语音合成）+ WisprFlow（语音听写） 两大云服务装进同一个免费开源的桌面应用：几秒参考音频即可克隆任意声音、7 大 TTS 引擎覆盖 23 种语言、全局热键把语音听写进系统任意输入框，还能通过 MCP 让 Claude Code / Cursor 等 AI 智能体用你克隆的声音「开口说话」。全部模型与数据均在本机运行，目前已收获 47.5K Stars，MIT 许可。

安装要求和过程

环境要求
- macOS：Apple Silicon（MLX/Metal 加速）或 Intel
- Windows：支持 NVIDIA CUDA 加速
- Linux：暂无预编译包，需源码构建；另支持 AMD ROCm、Intel Arc
- Docker：任意平台一行命令部署
- 轻量引擎 LuxTTS 仅需 ~1GB 显存，CPU 也能 150 倍实时速度推理
快速安装
```
# 方式一：直接下载安装包（推荐）
# macOS (Apple Silicon): https://voicebox.sh/download/mac-arm
# macOS (Intel):         https://voicebox.sh/download/mac-intel
# Windows (MSI):         https://voicebox.sh/download/windows

# 方式二：Docker 一键启动
git clone https://github.com/jamiepine/voicebox.git
cd voicebox
docker compose up
```
首次启动时应用会引导下载所需模型；macOS 上还有权限向导，一步步带你完成「辅助功能」「输入监控」授权，用于全局听写自动粘贴。

核心功能
- 多引擎语音克隆：内置 Qwen3-TTS、Qwen CustomVoice、LuxTTS、Chatterbox Multilingual/Turbo、HumeAI TADA、Kokoro 共 7 大 TTS 引擎，零样本克隆 + 50 多个精选预置声音，覆盖 23 种语言，可逐次生成切换引擎。
- 全局语音听写：按住热键在系统任意位置说话，松开即把转写文本粘贴进当前输入框（macOS 经辅助功能校验注入，且自动保存/恢复剪贴板）；内置 Whisper 全系列模型（Turbo 版比 Large 快约 8 倍），可选本地 LLM 自动清理「嗯、啊」等口头语。
- 给 AI 智能体一个声音：自带 MCP 服务器与 REST API，Claude Code、Cursor、Cline 等任意支持 MCP 的智能体只需调用 voicebox.speak 工具，就能用你克隆的声音向你「汇报工作」。
- 专业级生产能力：不限长度生成（自动分句 + 交叉淡化拼接，最长 5 万字符）、多轨 Stories 时间线编辑器（做播客/对话/有声书）、8 种后期效果（变调/混响/延迟/压缩等，基于 Spotify pedalboard），生成版本全程可溯源。
- 完全本地、隐私优先：模型、声音数据、录音捕获全部留在本机，永不上传；应用基于 Tauri（Rust）构建而非 Electron，原生性能，安装包小、内存占用低。
典型使用场景
1. 内容创作者做配音/播客：用自己的几秒录音克隆声音，把文章、剧本、章节直接批量转成音频；Stories 编辑器多轨拖拽即可编排双人对话播客，再叠加混响、电台音效等预设，全流程零云端费用。
2. 开发者的「会说话的」编码智能体：给 Claude Code / Cursor 接上 Voicebox 的 MCP 服务器，长任务跑完后智能体用你指定的声音口头播报结果；配合全局听写热键，动口不动手地写 prompt，形成完整的语音 I/O 闭环。
3. 注重隐私的日常语音输入：会议纪要、日记、即时消息全部用本地 Whisper 听写，敏感内容不经过任何第三方服务器；Captures 标签页保留每段原始音频 + 转写文本，可随时重转写、改写或升级为克隆样本。
推荐理由

试用下来最打动我的是「输入 + 输出一体」的产品思路：市面上克隆声音要买 ElevenLabs，语音听写要买 WisprFlow，而 Voicebox 把两半闭环装进一个 MIT 开源应用，还用本地 LLM 把两端串了起来。工程质量也远超一般开源项目——Tauri 原生应用不卡顿，生成队列异步不阻塞，甚至连 macOS 剪贴板保护、崩溃恢复这类细节都做了。对开发者来说，一行 MCP 配置就能让编码智能体开口说话，这个体验相当新奇实用。如果你需要一套不上云、不订阅的完整语音方案，这个项目值得马上装上试试。

下载地址
- 官网：https://voicebox.sh
- GitHub：https://github.com/jamiepine/voicebox
- 文档：https://docs.voicebox.sh
- 下载各平台安装包：GitHub Releases
2026年7月31日
Voicebox：本地优先的开源 AI 语音工作室，克隆声音 + 让智能体开口说话
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
1. 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。
2. 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）。
3. 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。
4. 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。
5. 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。
2026年7月20日

Voicebox：开源AI语音工作室，本地替代ElevenLabs+WisprFlow，34K+Stars让AI开口说话

34K+

GitHub Stars

7种

TTS 引擎

支持语言

500+
开发者

关注者

MIT

开源许可

📌 项目简介

Voicebox 是一个开源的 AI 语音工作室，由独立开发者 jamiepine 打造，旨在提供完全本地运行的 AI 语音解决方案。它将”语音生成（替代 ElevenLabs）”和”语音输入（替代 WisprFlow）”二合一，所有模型和数据完全在本地运行，无需上传云端，是隐私优先的 AI 语音工具首选。

项目基于 Tauri (Rust) 桌面端 + React/TypeScript 前端 + FastAPI Python 后端架构，支持 macOS、Windows 和 Docker 部署，内置 7 种 TTS 引擎、Whisper STT、本地 Qwen3 LLM，并原生支持 MCP 协议，让 AI 智能体也能”开口说话”。

⚙️ 安装要求和过程

环境要求

macOS：Apple Silicon (M1+) 或 Intel Mac，推荐 16GB 内存
Windows：Windows 10+，支持 CUDA GPU 加速（NVIDIA）或 DirectML（任意 GPU）
Linux：从源码构建，支持 CUDA/ROCm GPU 加速
通用：Python 3.11+，Rust（开发构建），Bun (JS 运行时)

快速安装（预编译包）

# macOS (Apple Silicon)
curl -L https://voicebox.sh/download/mac-arm -o Voicebox.dmg

# macOS (Intel)
curl -L https://voicebox.sh/download/mac-intel -o Voicebox.dmg

# Windows
# 下载 MSI：https://voicebox.sh/download/windows

# Docker 一键启动
git clone https://github.com/jamiepine/voicebox.git
cd voicebox
docker compose up

从源码开发构建

# 克隆仓库
git clone https://github.com/jamiepine/voicebox.git
cd voicebox

# 安装 just 命令工具（任务运行器）
brew install just # macOS
# 或 cargo install just

# 一键安装依赖并启动开发服务器
just setup
just dev

# 构建生产版本
just build # CPU 版本
just build-local # Windows + CUDA 版本

🌟 核心功能

🎤 7 种 TTS 引擎，覆盖全场景

Voicebox 集成了 7 种开源 TTS 引擎，从超轻量的 Kokoro (82M) 到高质量的 HumeAI TADA (3B)，满足不同场景需求：

引擎	语言数	模型大小	核心优势
Qwen3-TTS	10	0.6B/1.7B	高质量多语言克隆，支持发音指令
Chatterbox Multilingual	23	~1GB	语言覆盖最广，支持阿拉伯语/芬兰语等
Chatterbox Turbo	英语	350M	超快速度，支持 [laugh]/[sigh] 表情标签
Kokoro	8	82M	极小模型，CPU 实时 10x+ 速度
LuxTTS	英语	~1GB	48kHz 输出，CPU 150x 实时速度
HumeAI TADA	10	1B/3B	语音语言模型，支持 700s+ 连贯音频
Qwen CustomVoice	10	–	自然语言控制发音，无需参考音频

🗣️ 语音克隆 + 无限长度生成

支持从几秒音频进行零样本语音克隆，同时内置 Kokoro 和 Qwen CustomVoice 的 50+ 精选预设语音。独创”无限长度生成”机制——自动按句子拆分文本，分块生成后交叉淡入淡出拼接，最大支持 50,000 字符的文本输入，彻底打破 TTS 长度限制。

🎧 全局语音输入（Dictation）

支持全局热键语音输入，macOS 支持自动粘贴到当前文本框（按住说话/切换模式）。内置 Whisper STT，支持可选 LLM 优化去除口癖、停顿，让语音输入更流畅自然。相当于开源版的 WisprFlow！

🤖 AI 智能体语音输出（MCP 支持）

内置本地 MCP 服务器，支持 Claude Code、Cursor、Cline 等 AI 编程助手通过 voicebox.speak 工具调用，让 AI 智能体用克隆的语音”开口说话”。支持为不同智能体绑定不同语音，实现个性化语音输出。

# Claude Code 一键配置 MCP

claude mcp add voicebox   –transport http   –url http://127.0.0.1:17493/mcp   –header “X-Voicebox-Client-Id: claude-code”

🎬 语音故事编辑器 + 音频后处理

内置多轨道时间线编辑器，支持对话、播客、叙事内容制作，支持拖拽、音频裁剪、同步播放。基于 Spotify pedalboard 库提供 8 种音频后处理效果（音调偏移、混响、延迟、合唱、压缩等），并内置”机器人”、”电台”、”回声室”、”低音”4 种预设效果链。

💡 典型使用场景

场景一：AI 编程助手语音通知

长时间运行的编程任务（如模型训练、测试套件）完成后，通过 Voicebox MCP 集成，让 Claude Code 或 Cursor 用你喜欢的语音播报结果：”测试全部通过，共 42 个用例，耗时 3 分 12 秒”。不用盯着屏幕，声音告诉你进度！

场景二：多语言内容创作

使用 Chatterbox Multilingual 引擎（支持 23 种语言），配合语音克隆功能，内容创作者可以用自己（或任何）的声音生成多语言版本的视频配音、播客内容。Qwen3-TTS 还支持输入发音指令（如”慢点说”、”小声说”），让生成语音更自然。

场景三：本地隐私优先的语音输入替代

替代 WisprFlow 等云端语音输入工具，所有语音识别和转录均在本地运行（Whisper STT），语音数据不上传任何云端服务器。对隐私敏感的用户、企业内网环境，或者需要离线使用的场景，Voicebox 是最佳选择。

💬 推荐理由

📥 下载地址

🌐 官方网站
🐙 GitHub 仓库
📖 官方文档
🍎 macOS 下载
🪟 Windows 下载

项目信息：
⭐ GitHub Stars: 34,192
📜 开源许可: MIT License
💻 技术栈: Tauri (Rust) + React/TypeScript + FastAPI (Python)
🌐 官网: voicebox.sh
📦 Docker: docker compose up
最近更新: 2026 年 6 月

2026年6月26日

GPT-SoVITS：58.3K Stars！AI语音克隆神器，1分钟音频定制你的声音
想不想用自己的声音来朗读文章？或者让AI用你喜欢的角色声音来配音？以前这需要专业的录音设备和昂贵的软件，现在有了GPT-SoVITS，只需要1分钟的训练音频，就能训练出效果惊人的AI语音模型。

项目简介

GPT-SoVITS 是一个开源的少样本语音合成与转换工具，核心亮点是极低的训练数据需求——仅需1分钟语音数据即可训练出效果优异的TTS模型，5秒音频甚至可以直接实现零样本语音合成。项目提供了完整的WebUI工具链，从数据预处理到模型训练、推理部署一站搞定。

GPT-SoVITS – AI语音克隆与合成

安装要求和过程

环境要求
- 操作系统：Windows 10/11、Linux、macOS 均支持
- Python版本：3.8 及以上
- 显卡：推荐NVIDIA GPU（支持CUDA），也支持CPU推理
- 内存：至少8GB，推荐16GB以上
快速安装
```
# 克隆仓库
git clone https://github.com/RVC-Boss/GPT-SoVITS.git
cd GPT-SoVITS

# 安装依赖（推荐使用conda新环境）
pip install -r requirements.txt

# 启动WebUI
python webui.py

# Docker部署方式
docker build -t gpt-sovits .
docker run -p 7860:7860 gpt-sovits
```
核心功能
1. 零样本TTS：仅需5秒目标音色音频，无需训练即可直接合成该音色的语音，适合快速体验。
2. 少样本微调：使用1分钟训练数据微调模型，合成语音的音色相似度和自然度大幅提升，媲美真人录音。
3. 跨语言推理：训练集语言与推理文本语言可以不同，目前支持中文、英文、日语、韩语、粤语五种语言。
4. 一体化WebUI工具集：内置人声/伴奏分离、训练集自动分割、中文语音识别（ASR）、文本标注等工具，降低新手使用门槛。
5. 多版本持续优化：已迭代至V4/V2Pro版本，预训练数据扩展到5000+小时，音质、推理速度、硬件兼容性全面提升。
典型使用场景
- 内容创作配音：UP主、播客创作者可以用自己喜欢的声音来配音，不需要反复录音，修改文案后重新合成即可，大幅降低内容制作成本。
- 有声书和语音助手：用特定音色批量合成有声书内容，或者为智能助手定制专属声音，提升用户体验和产品辨识度。
- 语言学习辅助：跨语言推理功能让学习者可以听到用目标语言发音的标准音色，对语言学习和发音矫正很有帮助。
推荐理由

这个项目最让我印象深刻的是它的低数据需求设计。传统TTS模型训练动辄需要几小时甚至几十小时的录音数据，普通人根本没法准备。GPT-SoVITS把门槛降到了1分钟，这意味着几乎任何人都能训练自己的TTS模型。

另外它的WebUI工具链设计非常贴心，从数据预处理到模型训练再到推理，每个环节都有可视化工具支持，不需要写代码就能完成整个流程。对于非技术用户来说，这种”开箱即用”的体验非常重要。

目前项目在GitHub上有5.8万+ Stars，社区非常活跃，问题和PR响应速度快，中文文档齐全，是国内开源AI项目的优秀代表。如果你对AI语音感兴趣，这个项目绝对值得深入研究。

下载地址
- GitHub仓库：https://github.com/RVC-Boss/GPT-SoVITS
- 最新版本：20250606v2pro（2025年6月发布）
- HuggingFace在线Demo：在线体验
- 文档Wiki：仓库Wiki板块有详细的中文安装和使用教程
（本文由AI自动整理发布，如有问题欢迎在评论区反馈。）
2026年6月4日

标签： TTS

Voicebox：47.5K Stars 的开源 AI 语音工作室，克隆声音、全局听写、让 AI 智能体开口说话

项目简介

安装要求和过程

环境要求

快速安装

核心功能

典型使用场景

推荐理由

下载地址

Voicebox：本地优先的开源 AI 语音工作室，克隆声音 + 让智能体开口说话

📌 项目简介

🛠 安装要求和过程

环境要求

快速安装（三种方式）

✨ 核心功能

🎯 典型使用场景

💡 推荐理由

📥 下载地址

Voicebox：开源AI语音工作室，本地替代ElevenLabs+WisprFlow，34K+Stars让AI开口说话

🎙️ Voicebox：开源 AI 语音工作室

📌 项目简介

⚙️ 安装要求和过程

环境要求

快速安装（预编译包）

从源码开发构建

🌟 核心功能

🎤 7 种 TTS 引擎，覆盖全场景

🗣️ 语音克隆 + 无限长度生成

🎧 全局语音输入（Dictation）

🤖 AI 智能体语音输出（MCP 支持）

🎬 语音故事编辑器 + 音频后处理

💡 典型使用场景

场景一：AI 编程助手语音通知

场景二：多语言内容创作

场景三：本地隐私优先的语音输入替代

💬 推荐理由

为什么推荐 Voicebox？

📥 下载地址

GPT-SoVITS：58.3K Stars！AI语音克隆神器，1分钟音频定制你的声音

项目简介

安装要求和过程

环境要求

快速安装

核心功能

典型使用场景

推荐理由

下载地址