Voicebox上手指南：本地声音克隆与语音生成，从几秒音频到能用的声音

Voicebox上手指南：本地声音克隆与语音生成，从几秒音频到能用的声音

【免费下载链接】voiceboxThe open-source AI voice studio. Clone, dictate, create.项目地址: https://gitcode.com/GitHub_Trending/voicebox1/voicebox

Voicebox 是一个开源的本地 AI 声音克隆工作室：几秒人声就能克隆出一个可用音色，配合 7 个 TTS 引擎在本地生成 23 种语言的语音。做旁白、播客、听写、给 Agent 接语音的开发者都适用，模型和数据全程不出你的电脑。

为什么值得试试

• 全本地运行：模型、声音样本、录音都存在你自己机器上，隐私问题从根上不存在
• 输入输出两头都管：一边是 TTS 生成和声音克隆，一边是全局听写加 Whisper 本地转写，声音 I/O 的完整闭环在一个应用里
• 7 个 TTS 引擎随便切：Qwen3-TTS、Chatterbox Multilingual、LuxTTS、HumeAI TADA 等，按场景换引擎，低配机器用 LuxTTS 约 1GB 显存就能跑
• API-first 设计：REST API 加内置 MCP 服务器，克隆出来的声音可以直接给你的智能体当嘴巴

三分钟跑起来

桌面端提供 macOS（DMG）和 Windows（MSI）安装包，Linux 用 Docker 三条命令即可：

git clone https://gitcode.com/GitHub_Trending/voicebox1/voicebox cd voicebox docker compose up

启动后照着 快速开始文档 建第一个声音档案：Voices 标签页里新建档案，上传或录制 10~30 秒清晰人声，保存，就能开始生成。

按场景对号入座

配音总缺个自己的声音？几秒音频克隆一个 🎙️

核心能力就是零样本声音克隆：一段参考音频，之后任意文本都能用它朗读。

• Voices 标签页点New Voice，填名称和语言，再上传、录制或捕获一段 10~30 秒的参考音频，存成声音档案
• 不想克隆？有 50+ 个预设声音（Kokoro、Qwen CustomVoice 提供）直接选用
• 生成时按内容切引擎：综合质量选 Qwen3-TTS 1.7B，23 种语言覆盖选 Chatterbox Multilingual，长文本选 HumeAI TADA
• 引擎、档案、文本每次生成都可换，同一档案能反复复用

整本书想变有声书，5 万字符直接丢进去 📚

长文本不是问题：单次输入上限 50,000 字符，整章小说、整篇稿子直接粘贴。

• 文本自动按句子边界切分，每段独立生成后交叉淡化拼接，长文无感
• 分段逻辑认识缩写和中日韩标点，不会在奇怪的位置断句
• 生成走异步队列，提交后还能继续编辑下一条，互不阻塞
• History 里每次生成都保留"原始版本"，换种子重录多条 Take、加星标收藏都行

短视频角色太机械？情绪标签加音效救场

机械念稿感靠两层"表演"解决，都在生成端就能出效果。

• Chatterbox Turbo 支持副语言标签：[laugh][chuckle][gasp][sigh][groan][clear throat]，文本框里敲/直接调出标签插入器
• 注意标签只对 Chatterbox Turbo 生效，其他引擎会把标签当文字念出来
• 8 种后期音效基于 Spotify 的 pedalboard 库：移调（最高 12 个半音）、混响、延迟、合唱、压缩、增益、高/低通滤波，生成后实时预览
• 内置 Robotic、Radio、Echo Chamber、Deep Voice 四个预设，还能自建并设为某个声音档案的默认

做多人播客和有声剧，用多轨时间线编排 🎬

Stories 编辑器是个类似 DAW 的多轨时间线，专门给对话、播客、叙事类内容用。

• 每个角色/讲者一条轨道，拖拽编排，自动播放头整体预览
• 时间线上直接裁剪、拆分音频片段
• 每段剪辑可锁定对应的生成版本，重生成不会打乱整片
• 适用：多主持播客、有声书（旁白加角色音）、游戏对话、广播剧，细节见 Stories Editor 文档

每天要写大量文字？全局听写解放双手

Voicebox 把"输入"半边也补上了：按住组合键说话、松手停止，Whisper 本地转写后自动粘进当前聚焦的文本框，macOS 下剪贴板原样保存恢复。

• 组合键可在设置里自定义，支持 push-to-talk 和 toggle 两种模式
• 本地 LLM 可自动清理口头语
• 每次听写自动存入 Captures，原始音频和文字稿成对保存，可重转写、编辑，还能一键升级为声音样本
• 流程细节见 听写文档

进阶：给 Agent 和你的应用接上嘴巴 🤖

Voicebox 后端本身就是一个服务（默认端口 17493），REST 和 MCP 两套入口都开箱即用。

curl -X POST http://127.0.0.1:17493/speak \ -H "X-Voicebox-Client-Id: my-script" \ -d '{"text": "部署完成。", "profile": "Morgan"}'

MCP 侧一条命令接入 Claude Code，四个工具voicebox.speak、voicebox.transcribe、voicebox.list_captures、voicebox.list_profiles随即可用：

claude mcp add voicebox --transport http \ --url http://127.0.0.1:17493/mcp \ --header "X-Voicebox-Client-Id: claude-code"

在 Settings → MCP 里给不同 Agent 绑定不同音色，听到声音就知道谁在说话；朗读时屏幕会浮现提示气泡，全程可见。工具实现见 mcp_server 源码，路由在 speak.py。

先跑通哪一个

模型、声音数据、录音始终只留在你的机器上——把声音 I/O 的完整闭环交给本地硬件，就是 Voicebox 的全部意义。

【免费下载链接】voiceboxThe open-source AI voice studio. Clone, dictate, create.项目地址: https://gitcode.com/GitHub_Trending/voicebox1/voicebox