GitHub 趋势 · 第 35 期
22k star 的本地 ElevenLabs 平替：16 个 TTS 引擎装进一个桌面 App
#语音克隆#本地优先#AGPL-3.0
先把判断放在前面：VoiceStudio 不是又一个 TTS 模型，而是一个把 16 个 TTS 引擎、11 个 ASR 引擎塞进同一个桌面 App 的外壳。所以它的价值不在「音质多好」，而在两件事：引擎可以换，以及它自带本地 API（REST/SSE/WebSocket，外加一套 OpenAI 兼容的音频接口）和一个 MCP Server，能把语音能力直接接进你已有的流程。本期所有命令、能力表和许可描述都取自 README 与 LICENSE 原文，未做推测。
你大概已经在忍的那套流程
想用 ElevenLabs 那种声音：按月付费，音频先上传到别人的服务器。想改成本地跑：开源模型一抓一大把，但每个模型一套环境、一套脚本、一堆依赖，装一个试一个，试到第三个就想放弃。等你终于把克隆跑通了，真正的活儿才刚开始 —— 剪几秒参考音频、切语言、给视频配音、出字幕、导成有声书，这些零碎环节没人替你串起来。
所以真正缺的不是「又一个更好的语音模型」，而是一个统一的外壳：把模型当成可插拔零件，把上游那一串流程收进同一个界面和同一套接口。这一期挑的就是这个壳。
项目是什么
仓库名 debpalash/VoiceStudio（https://github.com/debpalash/VoiceStudio），官网 voicestudio.sh。自述原文：「the open-source, fully-local ElevenLabs alternative — voice cloning, voice design, video dubbing, dictation, transcription & audiobook creation in 646 languages」。README 顶部标着一行小字 Previously OmniVoice-Studio —— 它改过名，所以你现在还会在别处看到旧名字（连官方 Docker 镜像名都还叫 palashdeb/omnivoice-studio:stable）。
数据实测：22,124 star / 2,720 fork，GitHub 月度趋势新增 12,418；仓库 2026-04-09 创建，最近一次推送 2026-09-10，11 个 open issue，未归档。许可为 AGPL-3.0（实测自仓库根目录 LICENSE 文件正文，第一行即「GNU AFFERO GENERAL PUBLIC LICENSE / Version 3, 19 November 2007」），这一点和本系列前几期常见的 MIT / Apache 项目性质不同，下面单独说。技术栈：桌面端 Tauri，后端 Python，源码构建用 Bun，默认一切都在本机跑。
状态必须提前讲清：README 自己标的是 Active beta，并建议稳定工作用 latest release，因为 main 分支在两次发布之间会变。
一张表看清它的边界
下面这张是 README「At a glance」的完整内容，没有删减。建议先扫一遍「平台」和「算力」两行 —— 能不能跑起来，答案就在这两行里。
| 维度 | VoiceStudio |
|---|---|
| 工作流 | 语音克隆与设计、视频配音、听写、故事、有声书、批量生成 |
| 语言 | 646 种 TTS 语言；实际覆盖与质量取决于所选引擎 |
| 引擎 | 16 个 TTS · 11 个 ASR；在 Model Catalogue 里切换，或按 Ctrl / Cmd + E |
| 平台 | macOS 13.3+（Apple Silicon）· Windows 10/11 x64 · Linux x86_64（glibc 2.39+） |
| 算力 | CUDA · Apple Silicon MPS/MLX · Linux ROCm · CPU · 可选远程 worker |
| 接口 | 桌面 App · 本地 REST/SSE/WebSocket API · OpenAI 兼容音频 API · MCP Server |
| 存储 | 音色、项目、设置、输出默认留在本机 |
| 许可 | 应用 AGPL-3.0；下载的模型沿用各自上游条款 |
「本地优先」这句在 README 里是有具体承诺的：默认流程下，录音、转写、音色、项目都严格留在本机磁盘，只有你显式配置了远程 worker 或外部 ASR 端点，数据才会离开设备。遥测默认关闭，且要你同意才开；启用后只上报白名单内的、不含内容的用量元数据，明确排除文本、音频、文件名和项目。
16 个引擎里，有一个你可能很熟
这是本期最值得单独拎出来的一行。VoxCPM2 就在它的 TTS 引擎清单里，标注为 30 种语言、支持克隆与指令控制、Apple Silicon 上走 MPS、许可 Apache-2.0。如果你之前已经在自己机器上跑过 VoxCPM2，那这个项目的意义就变了 —— 它相当于给你的模型补上了一个带界面的外壳，外加一套统一接口。
| TTS 引擎 | 语言 | 克隆 | macOS ARM | 许可 |
|---|---|---|---|---|
| VoiceStudio（默认，基于 k2-fsa/OmniVoice） | 600+ | 是 | MPS | 应用 AGPL-3.0 · 代码 Apache-2.0 / 权重 CC-BY-NC |
| VoxCPM2 | 30 | 是 | MPS | Apache-2.0 |
| CosyVoice 3 | 9 + 18 种方言 | 是 | CPU | Apache-2.0 |
| GPT-SoVITS | 5 | 是 | 不支持 | MIT |
| IndexTTS 2.5 | 中/英/日/西/阿 | 是 | CPU | Bilibili 模型许可（见下文） |
| PocketTTS | 英/法/德/葡/意/西 | 是 | CPU | CC-BY-4.0，需门控申请 |
| MOSS-TTS-v1.5 | 31 | 是 | CPU | Apache-2.0 |
| KittenTTS | 英语 | 否 | CPU | MIT |
| MLX-Audio | 取决于模型 | 视模型 | MLX | 视模型 |
ASR 侧同样是一整排可选件：默认 WhisperX（做配音、字幕、词级时间戳），另外还有 Faster-Whisper（含崩溃隔离版）、MLX Whisper、PyTorch Whisper、Parakeet TDT 与 MLX 版、Moonshine（低功耗 ONNX）、FunASR（含 VAD 与说话人分离）、sherpa-onnx 实时听写，以及一个能指向本地 gigastt / Qwen3-ASR 或远程端点的 OpenAI 兼容 ASR。README 还专门提了一句容错：WhisperX 和 Faster-Whisper 在拿不到高效 float16 时会自动回退到 int8。
一个容易被忽略的设计细节：不支持克隆的引擎，在配音或「锁定音色」的批量任务里无法保留参考说话人 —— VoiceStudio 的做法是直接拒绝这些任务，而不是静默换引擎。对音频生产来说，这个选择比「帮你跑完但声音变了」要靠谱得多。
上手：Docker 一行，或源码两行
最省事的是下预编译包：macOS 13.3+ 用 Apple Silicon 的 DMG，Windows 10/11 用 x64 MSI，Linux 用 AppImage（要 glibc 2.39+）。想先容器里试一下，README 给的是这一条（原文照抄）：
docker run -d -p 127.0.0.1:3900:3900 -v omnivoice-data:/app/omnivoice_data --name voicestudio palashdeb/omnivoice-studio:stable
从源码跑（README 原文），前提是 Bun / Node 20+ 与 Python 3.11+，桌面启动器首次运行会通过 uv 自动配好 Python 依赖：
git clone https://github.com/debpalash/VoiceStudio.git cd VoiceStudio bun install bun run desktop
想要浏览器界面就把最后一行换成 bun run dev。装完第一次跑不通别急着怀疑硬件，README 给了一条自检命令（原文），失败原因它会自己报出来：
uv run python backend/main.py --diagnose --deep
不想装任何东西也能先摸一下：README 提供了一个 Colab notebook 可以在云端跑。第一次做克隆，README 的建议是3 秒的干净样本就能用，5 到 15 秒通常效果更好；并且解释了为什么参考音频不是越长越好 —— 克隆是 zero-shot，这段音频是「提示」而不是训练数据，所以要求单一说话人、靠近麦克风、无音乐噪声混响，语气语速最好贴近你想要的输出。
硬件这块有一个正好卡在线上值得说的点。README 按硬件给了推荐栈：Apple Silicon（M1–M4）首选 MLX-Audio 与 OmniVoice（MPS），ASR 配 MLX Whisper 或 Parakeet MLX，理由是统一内存 + macOS 上延迟最低。而官方要求是内存 8GB 起、推荐 16GB 以上，用 GPU 时显存 4GB 起、推荐 8GB 以上，大型可选引擎要 12 到 16GB 或更多。换句话说，16GB 统一内存的机器刚好落在「推荐线」的起点上 —— 能舒服跑默认流程，但别指望同时挂几个大引擎。
我的判断
适合谁：想把克隆、配音、听写、有声书都放在自己机器上的人；已经有一个语音模型（比如 VoxCPM2）但缺 GUI 和统一接口的人；需要本地语音后端接进自有流程的开发者（本地 API + OpenAI 兼容音频接口 + MCP Server 三条路都留着）；Apple Silicon 用户，因为 README 是按 M1–M4 给推荐栈的。
不适合谁：Intel Mac 用户 —— README 明确写了 Intel Mac 跑不了本地后端（当前 PyTorch wheel 不可用），只能连远程后端；Windows on ARM 和想让 AMD 显卡在 Windows 上加速的人（ROCm 只在 Linux 且需手动开启，Windows 上的 AMD/Ryzen AI 走 CPU）；以及内存只有 8GB 却想上大引擎的人。
- ▪AGPL-3.0 是强 copyleft，比 MIT 重得多。自己用、内部用没问题，也可以改；但 README 写得很清楚：如果你改了它、并以网络服务的形式对外提供这个改过的版本，AGPL 要求你把对应源码也按同一许可提供。想做专有嵌入，官方提供 VoiceStudio 自有代码的商业许可 —— 注意它不给第三方模型重新授权。打算做成对外产品的话，这一条要在动工前算进成本。
- ▪「App 免费」不等于「生成音频可商用」。这是本篇最需要记住的一条。README 的 FAQ 原文：应用许可不限制你出售生成的音频，但它不授予你模型侧的权利。默认的 OmniVoice 权重标注为 CC-BY-NC（非商用），其快照里的音频 tokenizer 还另带 Boson Higgs Audio 2 与 Meta Llama 社区条款。IndexTTS 2.5 要求月活超过 1 亿或年营收超过 10 亿人民币时另取 Bilibili 书面许可。PocketTTS 首次使用前会弹门控授权与 CC-BY-4.0 条款。要商用就把引擎逐个换到许可干净的（比如 VoxCPM2、CosyVoice 3、MOSS 系列的 Apache-2.0），并自己复核条款。
- ▪它还是 Active beta。README 原文标注为活跃测试版，并建议稳定工作用 latest release，因为 main 分支在两次发布之间会变动。用它做流水线的话，固定版本号，别跟着 main 走。
- ▪两个 macOS 细节会让人以为是装坏了。首次启动需要一次右键再点「打开」放行；Intel Mac 装完跑不起来本地后端不是配置问题，是上游 PyTorch wheel 缺失。
- ▪Docker 镜像只有 linux/amd64。Apple Silicon 上想要 GPU 加速就用原生 macOS App，别用容器 —— README 原文也这么建议。ARM64 主机拉镜像前先看架构要求。
- ▪克隆本身有责任边界，项目自己也认这件事。README 写明只应克隆或合成获得说话人明确许可的音色，并默认集成 AudioSeal 不可感知水印用于标识合成语音。远程访问也不是裸奔的：回环地址以外需要 share PIN 或 API key，非本机端点强制 HTTPS 且不跟随重定向。要用在对外场景，这几条别跳过。
- ▪卸载做得很规矩，顺手提一句。macOS/Linux 跑 scripts/uninstall.sh，Windows 跑 scripts\uninstall.ps1，两者都会先给一次 dry run 再删，README 里还有一份列出所有路径的卸载指南。装过一堆环境没清干净过的人会懂这个细节的价值。
数据与核实：debpalash/VoiceStudio（https://github.com/debpalash/VoiceStudio）· 22,124 star / 2,720 fork / 90 watcher，GitHub 月度趋势新增 12,418 · 创建 2026-04-09 · 最近推送 2026-09-10 · 未归档 · 许可 AGPL-3.0（实测自仓库根目录 LICENSE 文件正文，GNU Affero GPL Version 3）· 能力表、引擎表、平台与硬件要求、安装与自检命令、FAQ 原文均取自 README.md · 引擎许可标注（OmniVoice 权重 CC-BY-NC、IndexTTS 2.5 的 Bilibili 许可门槛、PocketTTS 门控 CC-BY-4.0、tokenizer 条款）取自 README 脚注原文 · 数据来源：GitHub Trending 官方页面 · 抓取时间：2026-09-11 08:55
如果你也在本机折腾过语音克隆，欢迎说说你现在固定用哪个引擎、以及踩过最难受的一个环境的坑 —— 尤其是 Apple Silicon 上的 MPS 与 MLX 两条路，你最后选了哪条？评论区聊聊，我按你们点的来。
下期预告：回到 agent 的基础设施 —— volcengine/OpenViking（36,513 star，本月 +8,469），火山引擎开源的「自演化 Context 数据库」，把 agent 记忆、知识检索和 skills 放进同一套存储（这个项目上上期就预告过，被更热的选题挤了两轮，该还上了）。
#语音克隆#本地优先#AGPL-3.0