Voicebox：开源 AI 语音工作室

项目简介

Voicebox 是一个本地优先的开源 AI 语音工作室，把语音克隆、语音生成、全局听写和智能体语音输出整合在一个应用里。它被定位为 ElevenLabs 与 WisprFlow 的开源替代方案，使用 Tauri（Rust）构建，模型、声音数据和录音都在本机处理，不上传云端。

项目支持 macOS、Windows、Linux 和 Docker，提供 REST API 与内置 MCP Server，方便把语音输入输出接入自己的应用和智能体。

主要功能

• 多引擎语音克隆：内置 8 个 TTS 引擎，可按次切换，包括 Qwen3-TTS、Qwen CustomVoice、Qwen VoiceDesign、LuxTTS、Chatterbox Multilingual、Chatterbox Turbo、HumeAI TADA 和 Kokoro。支持从少量参考音频进行零样本克隆，覆盖 23 种语言。
• 预设与设计声音：通过 Kokoro 和 Qwen CustomVoice 提供 50 多个精选预设音色；Qwen VoiceDesign 可以直接用文字描述生成声音，无需参考音频或预设。
• 情感与副语言标签：Chatterbox Turbo 支持 [laugh]、[sigh]、[gasp] 等副语言标签，输入 / 可打开标签插入器；Qwen CustomVoice 支持自然语言控制语气和表达方式。
• 后期音频效果：基于 Spotify 的 pedalboard 库提供变调、混响、延迟、合唱/镶边、压缩、增益、高通滤波和低通滤波 8 种效果，自带 4 个预设，也可为声音配置设置默认效果。
• 长文本生成：按句子边界自动分块，逐块生成后交叉淡化拼接，支持 100–5,000 字符的分块上限、0–200ms 交叉淡化，单次文本最长 50,000 字符，并会处理缩写、CJK 标点和 [tags]。
• 生成版本管理：每次生成可保留 Original、效果版本和不同随机种子的 Takes，并记录版本来源，支持收藏。
• 异步生成队列：提交生成后可以继续输入下一条；串行队列避免 GPU 争用，支持 SSE 实时状态、失败重试和崩溃后的残留任务恢复。
• 全局听写：按住自定义快捷键说话，松开后转写，浮动状态条显示录制、转写、润色和完成状态；支持按住说话与切换模式，并可在 macOS 上自动粘贴到开始听写时聚焦的文本框。语音识别基于 Whisper。
• 智能体语音输出：通过 voicebox_speak 工具调用，Claude Code、Cursor、Cline 等支持 MCP 的智能体可以用你克隆的声音说话。
• 声音人格：为声音配置附加自由定义的人格，再通过内置本地 LLM 执行 Compose、Rewrite 或 Respond；智能体也可以通过 MCP 调用这些模式。
• Stories 编辑器：提供多轨时间线，用于制作对话、播客和叙事内容。

安装与使用

macOS（Apple Silicon）：下载 DMG

macOS（Intel）：下载 DMG

Windows：下载 MSI

Docker：

docker compose up

其他安装包可在 Releases 页面查看。Linux 暂时没有预编译二进制，需要参考 voicebox.sh/linux-install 从源码构建。

注意事项

• Linux 平台暂不提供预编译安装包，需要自行构建；Docker 方式可直接运行。
• 不同引擎能力不同：[laugh]、[sigh] 等副语言标签仅 Chatterbox Turbo 会解释，其他引擎会按普通文本朗读；自然语言语气控制主要对应 Qwen CustomVoice，文字描述生成声音对应 Qwen VoiceDesign。
• 自动粘贴功能在 macOS 上经过辅助功能验证，其他平台的表现请以实际使用为准。
• 项目采用 MIT 许可证。遇到安装、生成、模型下载或 GPU 问题时，可查阅 Troubleshooting Guide。

本作品整理自 GitHub 开源项目 jamiepine/voicebox，原作者 @jamiepine，许可证 MIT。中文介绍由 AI 根据项目 README 整理，以原仓库为准。