jamiepine voicebox

jamiepine voicebox

Voicebox 开源 AI 语音工作室。克隆任何声音。生成语音。在任何应用中听写。用你拥有的声音与智能体对话。完整的语音输入/输出栈，在你的本地机器上运行。 voicebox.sh • 文档 • 下载 • 功能 • API • 故障排除

点击上方图片在 voicebox.sh 观看演示视频

Voicebox 是什么？

Voicebox 是一个本地优先的 AI 语音工作室——将 ElevenLabs 和 WisprFlow 的功能合二为一的免费开源替代品。 从几秒钟的音频中克隆声音，在 7 个 TTS 引擎中支持 23 种语言生成语音，通过全局热键在任何文本字段中听写，并为任何支持 MCP 的 AI 智能体赋予你选择的声音。

目前的两大云服务商分别占据语音输入/输出环的两端——ElevenLabs 负责输出，WisprFlow 负责输入。Voicebox 两者兼顾，通过内置的本地 LLM 进行精炼和按配置文件的角色管理，并将整个系统运行在你的机器上。

• 完全隐私——模型、语音数据和录音永远不会离开你的机器
• 7 个 TTS 引擎——Qwen3-TTS、Qwen CustomVoice、LuxTTS、Chatterbox Multilingual、Chatterbox Turbo、HumeAI TADA 和 Kokoro
• 语音克隆与预设声音——从参考样本进行零样本克隆，或通过 Kokoro 和 Qwen CustomVoice 使用 50 多个精选预设声音
• 23 种语言——从英语到阿拉伯语、日语、印地语、斯瓦希里语等
• 后期处理效果——音高偏移、混响、延迟、合唱、压缩和滤波器
• 富有表现力的语音——通过 Chatterbox Turbo 支持 [laugh]、[sigh]、[gasp] 等副语言标签；通过 Qwen CustomVoice 实现自然语言交付控制
• 无限长度——自动分块并交叉淡入淡出，适用于脚本、文章和章节
• 故事编辑器——用于对话、播客和叙事的多轨时间线
• 语音输入——全局听写热键，支持按讲和切换模式，macOS 上经过无障碍验证的自动粘贴，每个文本字段内置麦克风，基于 Whisper 的 STT
• 智能体语音输出——一次工具调用（voicebox.speak），任何支持 MCP 的智能体（Claude Code、Cursor、Cline）就能用你克隆的声音与你对话
• 语音角色——为任何语音配置文件附加自由形式的角色，然后通过内置的本地 LLM 进行撰写、重写或回复——智能体可以通过 MCP 调用相同的模式
• API 优先——REST API 加上内置的 MCP 服务器，用于将语音输入/输出集成到你自己的应用和智能体中
• 原生性能——使用 Tauri（Rust）构建，而非 Electron
• 随处运行——macOS（MLX/Metal）、Windows（CUDA）、Linux、AMD ROCm、Intel Arc、Docker

下载

| 平台 | 下载 | |------|------| | macOS（Apple Silicon） | 下载 DMG | | macOS（Intel） | 下载 DMG | | Windows | 下载 MSI | | Docker | docker compose up |

查看所有二进制文件 → Linux——预构建二进制文件暂不可用。请参阅 voicebox.sh/linux-install 了解从源码构建的说明。

遇到问题？请参阅故障排除指南，了解常见的安装、生成、模型下载和 GPU 问题。

功能

多引擎语音克隆

七个 TTS 引擎各有优势，可按生成任务切换：

| 引擎 | 语言 | 优势 | |------|------|------| | Qwen3-TTS（0.6B / 1.7B） | 10 | 高质量多语言克隆，交付指令（“说慢点”、“耳语”） | | Qwen CustomVoice | 10 | 9 个精选预设声音，支持自然语言交付控制——无需参考音频 | | LuxTTS | 英语 | 轻量级（约 1GB VRAM），48kHz 输出，CPU 上 150 倍实时 | | Chatterbox Multilingual | 23 | 最广泛的语言覆盖——阿拉伯语、丹麦语、芬兰语、希腊语、希伯来语、印地语、马来语、挪威语、波兰语、斯瓦希里语、瑞典语、土耳其语等 | | Chatterbox Turbo | 英语 | 快速 350M 模型，支持副语言情感/声音标签 | | TADA（1B / 3B） | 10 | HumeAI 语音语言模型——700 秒以上连贯音频，文本-声学双对齐 | | Kokoro | 8 | 50 个精选预设声音，小巧的 82M 模型，CPU 推理快速 |

情感与副语言标签

只有 Chatterbox Turbo 能解释 [laugh] 和 [sigh] 等副语言标签。Qwen3-TTS、LuxTTS、Chatterbox Multilingual 和 HumeAI TADA 会将其作为文字逐字读取。 选择 Chatterbox Turbo 后，在文本输入框中输入 / 可打开标签插入器，在语音中内联添加表达性标签： [laugh] [chuckle] [gasp] [cough] [sigh] [groan] [sniff] [shush] [clear throat]

后期处理效果

8 种音频效果，由 Spotify 的 pedalboard 库驱动。可在生成后应用，实时预览，构建可复用的预设。

| 效果 | 描述 | |------|------| | 音高偏移 | 向上或向下最多 12 个半音 | | 混响 | 可配置房间大小、衰减、湿/干混合 | | 延迟 | 带可调时间、反馈和混合的回声 | | 合唱 / 镶边 | 调制延迟，产生金属或丰满的质感 | | 压缩器 | 动态范围压缩 | | 增益 | 音量调整（-40 到 +40 dB） | | 高通滤波器 | 去除低频 | | 低通滤波器 | 去除高频 |

内置 4 个预设（机器人、收音机、回声室、深沉嗓音），并支持自定义预设。效果可按配置文件分配为默认值。

无限生成长度

文本会自动在句子边界处拆分，每个片段独立生成，然后交叉淡入淡出拼接。适用于所有引擎。

• 可配置自动分块限制（100–5,000 字符）
• 交叉淡入淡出滑块（0–200ms）实现平滑过渡
• 最大文本长度：50,000 字符
• 智能拆分尊重缩写、CJK 标点和 [tags]

生成版本

每次生成支持多个版本，带有来源追踪：

• 原始版——干净的 TTS 输出，始终保留
• 效果版——从任何源版本应用不同的效果链
• 尝试版——使用新种子重新生成以获得变化
• 来源追踪——每个版本记录其谱系
• 收藏——标记生成结果以便快速访问

异步生成队列

生成不会阻塞。提交后即可立即开始输入下一个。

• 串行执行队列防止 GPU 争用
• 实时 SSE 状态流式传输
• 失败的生成可重试
• 崩溃导致的过期生成在启动时自动恢复

语音配置文件管理

• 从音频文件创建配置文件，或直接在应用内录制
• 导入/导出配置文件以便共享或备份
• 多样本支持以获得更高质量的克隆
• 按配置文件设置默认效果链
• 组织管理