本地语音工作室 Voicebox：克隆、配音、听写一站搞定

一、它到底能做什么

一句话：一个跑在你自己电脑上的 AI 语音工作室，克隆声音、生成语音、全局听写、给 AI Agent 配一个你拥有的声音，这四件事在一个 App 里全做了。它把自己定位成 ElevenLabs 和 WisprFlow 两个云产品的本地开源替代。

• 声音克隆与预设：零样本克隆（给一段参考音频就行），或用 Kokoro / Qwen CustomVoice 自带的 50+ 预设音色；
• 7 个 TTS 引擎可逐次切换：Qwen3-TTS、Qwen CustomVoice、LuxTTS、Chatterbox Multilingual、Chatterbox Turbo、HumeAI TADA、Kokoro，覆盖 23 种语言；
• 语音转文字（听写）：用 OpenAI Whisper，全局热键按住就说、松手即贴进任意输入框；
• 给 Agent 配音：内置 MCP Server，Claude Code / Cursor / Cline 一句 voicebox.speak 就能用你克隆的声音开口；
• 后期效果（音高、混响、延迟、压缩等 8 种，来自 Spotify 的 pedalboard）、故事多轨时间线、声音档案管理。

二、怎么用（命令均取自 README 原文）

普通用户直接下安装包，开发者用源码跑：

把声音接进 Claude Code（MCP，逐字照抄 README）：

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

REST API 也直接可用（部分示例）：

curl -X POST http://127.0.0.1:17493/generate \
  -H "Content-Type: application/json" \
  -d '{"text": "Hello world", "profile_id": "abc123", "language": "en"}'

curl -X POST http://127.0.0.1:17493/speak \
  -H "Content-Type: application/json" \
  -H "X-Voicebox-Client-Id: my-script" \
  -d '{"text": "Deploy complete.", "profile": "Morgan"}'

curl -X POST http://127.0.0.1:17493/transcribe \
  -F "audio=@recording.wav" -F "model=whisper-turbo"

curl http://127.0.0.1:17493/profiles

想自己改，README 的开发者流程是：

git clone https://github.com/jamiepine/voicebox.git
cd voicebox
just setup   # 建 Python venv，装依赖
just dev     # 起后端 + 桌面端

三、优点和缺点（先说结论：许可干净，但克隆是把双刃剑）

优点——MIT 许可，可商用可改；本地优先，隐私到位；7 个引擎随意换；桌面端用 Tauri（Rust）而不是 Electron，体积更小；API + MCP 接入顺，Agent 生态友好。

缺点与坑——下面这些大多能在 issue 里对上号：

• 声音克隆是把双刃剑：零样本几秒就能复刻任何人声，项目本身不内置同意校验或防滥用门槛，用的人要自己担法律责任与伦理风险——别拿去克隆没授权的人；
• Linux 没有预编译包，只能源码编译，门槛直接劝退一批人；
• 吃资源：TTS + 本地 LLM（Qwen3 0.6B/1.7B/4B）+ Whisper 多个模型常驻显存，CPU 能跑但明显慢；
• 真实体验摩擦集中在 issue：#120 模型下载失败、#73 在 Mac 上生成不出声音、#835 的 docker compose 因 .dockerignore 漏了 rocm-entrypoint.sh 而报错；
• Windows 安装包被趋势科技报毒（#822，疑似误报），装之前心里有数；
• 引擎各自带许可（HumeAI TADA、Qwen 等不等同于 App 的 MIT），要商用量产得逐个核对引擎许可。

四、最终能达到什么效果

本地跑通之后：把 ElevenLabs + WisprFlow 两个订阅换成自家机器；播客、有声书、游戏对话、给 Agent 配音一站搞定；听写全局热键直接贴进任意输入框。它补齐的是「语音输入输出」这一整圈闭环。