voicebox

项目概述

Voicebox 是一款本地优先的开源 AI 语音工作室，是 ElevenLabs 和 WisprFlow 的开源替代品。支持语音克隆、语音生成，以及通过全局快捷键在任何应用中语音输入。

主要功能

• 语音克隆：从几秒音频中零样本克隆声音
• 7 种 TTS 引擎：Qwen3-TTS、LuxTTS、Chatterbox、Kokoro 等
• 支持 23 种语言
• 全局听写热键：在任何文本字段中语音输入
• 故事编辑器：多轨时间线用于对话和播客
• 语音个性：为语音配置文件附加自由形式的个性描述
• REST API 和内置 MCP 服务器

适用人群

• 内容创作者和播客制作者
• 需要语音克隆和 TTS 功能的开发者
• 重视隐私、希望本地运行 AI 语音工具的用户

快速上手

1. 从 voicebox.sh 下载对应平台的安装包
2. macOS（Apple Silicon）下载 DMG，Windows 下载 MSI
3. 或使用 Docker：docker compose up
4. 安装后启动，导入或录制声音样本进行克隆
5. 使用全局热键开始语音输入

核心优势

• 完全隐私：模型、语音数据永不离开本地设备
• 原生性能：基于 Tauri（Rust）构建，非 Electron
• 跨平台：macOS（MLX/Metal）、Windows（CUDA）、Linux、AMD ROCm
• 开源免费，功能媲美商业产品

系统要求

• 操作系统：macOS（Apple Silicon/Intel）、Windows、Linux
• 支持架构：x86_64、arm64
• 额外依赖：无（Docker 可选）

注意事项

• 语音克隆和 TTS 需要一定的计算资源
• 部分高级功能可能需要 GPU 加速