声带

开源AI语音工作室。
克隆任何声音。生成语音。在任何应用程序中进行语音输入。用您拥有的声音与客服人员对话。
完整的语音I/O堆栈，在您的本地计算机上运行。

voicebox.sh • 文档• 下载• 功能• API • 故障排除

点击上方图片即可在voicebox.sh上观看演示视频。

什么是 Voicebox？

Voicebox 是一款以本地化为核心的 AI 语音工作室，它是一款免费开源的应用程序，可以替代ElevenLabs和WisprFlow。您可以从几秒钟的音频中克隆语音，使用 7 个 TTS 引擎生成 23 种语言的语音，通过全局热键在任何文本字段中进行语音输入，并为任何支持 MCP 的 AI 代理赋予您选择的声音。

两大云端语音处理服务商分别位于语音输入/输出回路的两端——ElevenLabs 负责输出，WisprFlow 负责输入。Voicebox 则兼顾两者，并通过捆绑的本地 LLM 实现语音精细化和个性化设置，所有功能都在您的本地计算机上运行。

完全隐私——模型、语音数据和采集内容绝不会离开您的设备。
7 款 TTS 引擎——Qwen3-TTS、Qwen CustomVoice、LuxTTS、Chatterbox Multilingual、Chatterbox Turbo、HumeAI TADA 和 Kokoro
语音克隆和预设语音——可从参考样本进行零次克隆，或通过 Kokoro 和 Qwen CustomVoice 使用 50 多个精选预设语音。
支持23种语言——从英语到阿拉伯语、日语、印地语、斯瓦希里语等等。
后期处理效果——音高变换、混响、延迟、合唱、压缩和滤波器
通过 Chatterbox Turbo 实现富有表现力的语音[laugh]——例如，使用“ [sigh]，”等副语言标签[gasp]；通过 Qwen CustomVoice 实现自然语言传递控制。
长度不限——脚本、文章和章节自动分段并带有淡入淡出效果
故事编辑器——用于对话、播客和叙事的多轨道时间线
语音输入——全局听写快捷键，支持按键说话和切换模式；macOS 系统下支持辅助功能验证的自动粘贴功能；每个文本字段都内置麦克风；支持基于 Whisper 的语音转文本功能。
代理语音输出——只需调用一次工具（voicebox_speak），任何支持 MCP 的代理（Claude Code、Cursor、Cline）就会用你克隆的声音与你对话。
语音个性——将自由形式的语音配置文件附加到任何语音配置文件，然后通过捆绑的本地 LLM 进行编写、重写或回复——代理可以通过 MCP 调用相同的模式。
API优先——REST API加上内置的MCP服务器，可将语音I/O集成到您自己的应用程序和代理中。
原生性能——使用 Tauri（Rust）构建，而非 Electron。
可在各种平台上运行——macOS（MLX/Metal）、Windows（CUDA）、Linux、AMD ROCm、Intel Arc、Docker

下载

平台	下载
macOS（苹果芯片）	下载 DMG
macOS（Intel）	下载 DMG
视窗	下载 MSI
Docker	`docker compose up`

查看所有二进制文件 →

Linux — 预编译的二进制文件尚未提供。请参阅voicebox.sh/linux-install获取从源代码编译的说明。

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。

特征

多引擎语音克隆

七款不同功率的TTS发动机，每代可切换：

引擎	语言	优势
Qwen3-TTS（0.6B / 1.7B）	10	高质量多语言克隆，送货说明（“慢点说”、“轻声说”）
Qwen 自定义语音	10	9 种精选预设语音，具备自然语言表达控制功能——无需参考音频
LuxTTS	英语	轻量级（约1GB显存），48kHz输出，CPU实时性150倍
Chatterbox 多语言	23	语言覆盖范围最广——支持阿拉伯语、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、土耳其语等多种语言。
喋喋不休涡轮	英语	快速 350M 模型，带有副语言情感/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-声学双重对齐
心	8	50 种精选预设音色，仅 82M 的超小模型，快速 CPU 推理

情绪与副语言标签

只有Chatterbox Turbo[laugh]能解读诸如和之类的副语言标签[sigh]。Qwen3-TTS、LuxTTS、Chatterbox Multilingual 和 HumeAI TADA 则将它们视为文本进行字面解读。

选择Chatterbox Turbo后，/在文本输入框中输入内容以打开标签插入器，并将富有表现力的标签内联添加到语音中：

声音：[laugh] [chuckle] [gasp] [cough] [sigh] [groan] [sniff] [shush] [clear throat]

送货：[angry] [crying] [dramatic] [fear] [happy] [narration] [sarcastic] [surprised] [whispering] [advertisement]

后期处理效果

8 种由 Spotifypedalboard曲库支持的音频效果。生成后即可应用，实时预览，并可创建可重复使用的预设。

影响	描述
音调偏移	升高或降低最多 12 个半音
混响	可配置的房间尺寸、阻尼、干湿混合
延迟	回声效果，可调节时间、反馈和混合比
合唱/镶边	调制延迟，营造金属质感或丰满音色
压缩机	动态范围压缩
获得	音量调节（-40 至 +40 分贝）
高通滤波器	去除低频
低通滤波器	去除高频成分

内置 4 种预设音效（机器人、无线电、回声室、低沉嗓音），并支持自定义预设。每个配置文件均可设置默认效果。

无限世代长度

文本会在句子边界处自动分割，每个文本块独立生成，然后进行淡入淡出处理。兼容所有引擎。

可配置的自动分块限制（100-5,000 个字符）
淡入淡出滑块（0-200毫秒）用于实现平滑过渡
最大文本长度：50,000 个字符
智能拆分尊重缩写、CJK 标点符号和[tags]

世代版本

每一代产品都支持多个版本，并带有溯源追踪功能：

原始版本——纯净的TTS输出，始终保留。
效果版本— 应用来自任何源版本的不同效果链
接力——用新的种子进行再生，以求变异
来源追踪——每个版本都会记录其传承历程
收藏夹— 为不同世代设置星级以便快速访问

异步生成队列

生成过程是非阻塞的。提交后即可立即开始输入下一个。

串行执行队列可防止GPU争用。
实时SSE状态流
失败的迭代可以重试。
崩溃导致的过期数据会在启动时自动恢复

语音配置文件管理

从音频文件创建个人资料，或直接在应用内录音。
导入/导出配置文件以进行共享或备份
支持多样本克隆，实现更高质量的克隆
每个配置文件的默认效果链
使用描述和语言标签进行组织

故事编辑

适用于对话、播客和叙事的多声部时间线编辑器。

支持拖放式多轨作曲
在线音频修剪和分割
带同步播放头的自动播放
每个音轨片段的版本锁定

全球语音输入和语音输入

语音输入/输出循环的另一半。按住系统上的任意快捷键，说话，松开——在 macOS 上，语音转录会直接粘贴到当前选中的文本框中。或者点击 Voicebox 中任何文本输入框的麦克风图标，直接在应用程序中进行语音输入。

可配置的按键绑定——包括按住说话和点击切换两种按键，均可在应用内的按键选择器中重新绑定。按住说话键并Space在按住过程中点击即可切换到切换模式，音频不会中断。
目标感知粘贴（macOS） ——经辅助功能验证，可将内容粘贴到当前选中的文本字段中，并进行原子级剪贴板保存/恢复，因此不会覆盖您的剪贴板内容。
首次运行权限用户体验——应用内入口引导您完成 macOS 辅助功能和输入监控的授权，并提供指向系统设置的深度链接。
Voicebox 的每个文本字段（包括表单生成、个人资料描述、故事标题等）都内置了麦克风按钮，方便您输入文字。
LLM 优化——粘贴前可选地清理“嗯”、“卡顿”和“错误开头”。
屏幕药丸——浮动叠加层显示状态recording、transcribing信息refining和speaking提示。代理在与你对话时使用的药丸相同，因此循环的双向都使用同一种心理模型。

语音转文字

Voicebox 使用 OpenAI Whisper 进行转录——该模型也支持语音输入、“捕获”选项卡和/transcribeAPI。根据您的平台，它可以在 MLX（Apple Silicon）或 PyTorch（CUDA / ROCm / DirectML / CPU）上运行。

尺寸	笔记
基础款/小号/中号/大号	标准 Whisper 品质阶梯
涡轮	速度比 Whisper Large 快约 8 倍，音质损失极小。

计划推出更多引擎（Parakeet v3、Qwen3-ASR）——请参阅路线图。

捕获

每次语音输入、应用内录音和上传的音频文件都会出现在“捕获”选项卡中——原始音频与文字稿配对，始终保存。

重放、重新转录、精炼——使用任意 Whisper 大小重新运行 STT，或使用不同的标志（填充清理、自我纠正删除、技术术语保留）通过本地 LLM 重新运行原始转录文本。
在线编辑——调整文字稿并节省模糊处理费用
以语音配置文件播放——一键将任何录音转换为带有克隆语音的语音
提升为语音样本——将录音的音频和转录文本用作任何语音配置文件中的参考样本。
本地采集存储——原始音频和转录文本将保存在您的 Voicebox 数据目录中，并在“设置”中提供文件夹快捷方式。

代理语音输出

每个代理都能拥有自己的声音。只需调用一次工具，任何支持 MCP 的代理都能用您预设的声音与您对话——无论是任务完成、提问还是通知。语音输入时显示的提示框也会在代理语音输入时显示，因此您始终可以看到机器输出的内容。

// In any MCP-aware agent:
await voicebox_speak({
  text: "Deploy complete.",
  profile: "Morgan",
});

此外，POST /speak任何不使用 MCP 协议的东西——ACP、A2A、shell 脚本、自定义框架——也会暴露出来。

双向药丸—— recording、、、和都是同一操作系统级覆盖层的状态，因此听写和代理语音共享同一个表面transcribing。refiningspeaking
每个客服人员的语音绑定——在“设置”→“MCP”中，将 Claude Code 绑定到 Morgan，将 Cursor 绑定到 Scarlett，这样您无需查看即可知道哪个客服人员正在说话。每个客户端的last_seen_at时间戳都确认了实际安装时间。
始终可见——无静音背景TTS；每次代理发起语音操作时，都会显示包含语音配置文件名称的提示框，持续整个通话时长。
HTTP + 标准输入输出传输——在 Claude Code / Cursor / Windsurf / VS Code MCP 中以 URL 形式安装，或将仅支持标准输入输出的客户端指向捆绑的voicebox-mcp二进制文件。

配音演员

为任何语音配置文件赋予自由自定义的个性——包括声音的来源、说话方式以及关注点。设置个性后，生成框中会显示两个操作选项，这些选项由完全本地运行的捆绑式 Qwen3 LLM 提供支持。

撰写——一个随机播放按钮，会在文本框中插入一行新的角色扮演台词；您可以编辑并朗读，或再次点击以获得不同的版本。
角色配音——此开关会将您输入的文本通过角色语言模型 (LLM) 进行路由，使其以角色的声音重写，然后再进行文本转语音 (TTS) 处理。

personality: true代理可以通过 MCP 协议传递参数来实现相同的重写路径voicebox_speak，从而将工具转变为文本输入 → 人格化语言模型 → 文本转语音的流程。同一个语言模型也支持听写细化步骤——应用程序中只有一个语言模型，一个模型缓存，占用一个 GPU 内存。

本地 LLM 选项： Qwen3 0.6B / 1.7B / 4B，共享 TTS 运行时（Apple Silicon 上使用 MLX，其他情况下使用 PyTorch）。

使用案例：代理开发循环（口述问题，用克隆的声音听答案）、游戏和叙事工具的交互式角色、为无法用自己声音说话的人提供的语音辅助。

模型管理

按模型卸载以释放GPU内存，而不删除下载内容
通过自定义模型目录VOICEBOX_MODELS_DIR
模型文件夹迁移及进度跟踪
下载取消/清除界面

GPU 支持

平台	后端	笔记
macOS（苹果芯片）	MLX（金属）	通过神经网络引擎，速度提升 4-5 倍
Windows（NVIDIA）	PyTorch（CUDA）	从应用程序内部自动下载 CUDA 二进制文件
Linux（NVIDIA）	PyTorch（CUDA）	使用本地/远程 Python 后端和 CUDA PyTorch
Linux（AMD）	PyTorch（ROCm）	自动配置 HSA_OVERRIDE_GFX_VERSION
Windows（任何GPU）	DirectML	通用 Windows GPU 支持
英特尔弧	IPEX/XPU	英特尔独立显卡加速
任何	中央处理器	到处都能用，只是速度慢一些。

API

Voicebox 提供了一个 REST API，用于将语音 I/O 集成到您自己的应用程序和代理中。

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

# Agent voice output — any app or script can speak in a cloned voice
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"}'

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

# List voice profiles
curl http://127.0.0.1:17493/profiles

POST /speak接受profile名称（不区分大小写）或 ID，并以与 MCP 工具相同的优先级进行解析：显式参数 → 每个客户端的绑定 → capture_settings.default_playback_voice_id。

MCP服务器

Voicebox 内置了模型上下文协议服务器，因此任何支持 MCP 的代理（Claude Code、Cursor、Windsurf、Cline、VS Code MCP 扩展）都可以进行语音朗读、转录和浏览捕获和配置文件。

克劳德代码一句话：

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

任何HTTP MCP客户端（Cursor、Windsurf、VS Code等）：

{
  "mcpServers": {
    "voicebox": {
      "url": "http://127.0.0.1:17493/mcp",
      "headers": { "X-Voicebox-Client-Id": "cursor" }
    }
  }
}

对于不支持 HTTP MCP 的客户端，Stdio 回退方案voicebox-mcp是指向应用程序内部捆绑的二进制文件：

{
  "mcpServers": {
    "voicebox": {
      "command": "/Applications/Voicebox.app/Contents/MacOS/voicebox-mcp",
      "env": { "VOICEBOX_CLIENT_ID": "claude-desktop" }
    }
  }
}

包含四款工具：voicebox_speak，，，。每个客户端的语音绑定在Voicebox → 设置 → MCP中进行管理。有关工具签名、解析优先级、语音药丸合约和安全说明，voicebox_transcribe请参阅完整的 MCP 指南。voicebox_list_capturesvoicebox_list_profiles

// In any MCP-aware agent:
await voicebox_speak({
  text: "Tests passing. Ready to merge.",
  profile: "Morgan",      // optional — falls back to the per-client binding
  personality: true,      // optional — rewrites text through the profile's personality LLM first
});

使用案例：代理开发循环（语音输入、语音输出）、游戏对话、播客制作、辅助工具、语音助手、内容自动化。

完整的 API 文档可在以下网址获取http://127.0.0.1:17493/docs：

技术栈

层	技术
桌面应用程序	Tauri（锈）
前端	React、TypeScript、Tailwind CSS
状态	Zustand，React 查询
后端	FastAPI（Python）
TTS发动机	Qwen3-TTS、Qwen CustomVoice、LuxTTS、Chatterbox、Chatterbox Turbo、TADA、Kokoro
卫星传输	Whisper / Whisper Turbo（PyTorch 或 MLX）
本地LLM	Qwen3（0.6B / 1.7B / 4B），与 TTS / STT 共享运行时环境
MCP 服务器	FastMCP 已挂载到`/mcp`（Streamable HTTP）+ 捆绑的 stdio shim 二进制文件
原生垫片	Rust（在 Tauri 内部）用于全局热键、粘贴注入、焦点内省
效果	踏板（Spotify）
推理	MLX（苹果芯片）/PyTorch（CUDA/ROCm/XPU/CPU）
数据库	SQLite
声音的	WaveSurfer.js，librosa

路线图

特征	描述
Windows/Linux自动粘贴	听写粘贴兼容性`SendInput`——Windows 系统，`uinput`/ Linux 系统使用 AT-SPI 接口
STT发动机扩容	Parakeet v3 和 Qwen3-ASR 加入 Whisper——支持 50 多种语言，非英语语言质量更佳
管道路由	可配置的源→转换→接收器链，带有 webhook + MCP 接收器和预设编辑器
流媒体转录	`/transcribe/stream`您说话时，可通过WebSocket获取部分转录文本。
端到端语音LLM	Moshi、GLM-4-Voice、Qwen2.5 Omni——真正的语音对语音，无文字交流
语音设计	根据文本描述创建新的声音
长篇幅拍摄	双流录音机（麦克风+系统音频）带汇总LLM变换
平台沉没	Apple Notes、Obsidian 和其他可选集成
插件架构	使用自定义模型、变换和接收器进行扩展
移动伴侣	通过手机控制 Voicebox

有关完整的工程状态、未解决问题分类和优先工作队列，请参阅docs/PROJECT_STATUS.md——这是一份动态文档，跟踪已发布的内容、正在进行的内容、正在评估的候选 TTS 引擎，以及我们接受或积压特定集成的原因。

发展

请参阅CONTRIBUTING.md以获取详细的设置和贡献指南。

快速入门

git clone https://github.com/jamiepine/voicebox.git
cd voicebox

just setup   # creates Python venv, installs all deps
just dev     # starts backend + desktop app

安装：brew install just或。cargo install just运行just --list以查看所有命令。

先决条件： Bun、Rust、Python 3.12、Tauri Prerequisites和macOS 上的Xcode。

该仓库在根目录下预先配置好了.mcp.json——在该检出目录下运行 Claude Code 会在开发应用程序运行时自动获取 Voicebox MCP 工具。

本地建设

just build          # Build CPU server binary + Tauri app
just build-local    # (Windows) Build CPU + CUDA server binaries + Tauri app

新增语音模型

多引擎架构使得添加新的TTS引擎变得非常简单。分步指南涵盖了整个过程：依赖项研究、后端协议实现、前端配置以及PyInstaller打包。

本指南针对人工智能编码代理进行了优化。代理技能可以识别模型名称并自主处理整个集成过程——您只需在本地测试构建即可。

项目结构

voicebox/
├── app/              # Shared React frontend
├── tauri/            # Desktop app (Tauri + Rust)
├── web/              # Web deployment
├── backend/          # Python FastAPI server
├── landing/          # Marketing website
└── scripts/          # Build & release scripts

贡献

欢迎投稿！请参阅CONTRIBUTING.md文件了解投稿指南。

fork 该仓库
创建特性分支
做出你的更改
提交 PR

安全

发现安全漏洞？请负责任地进行报告。详情请参阅SECURITY.md文件。

执照

MIT 许可证 — 详情请参阅LICENSE文件。

voicebox.sh

项目地址：https://github.com/jamiepine/voicebox

56.4万颗星

观察者

254 人正在观看

叉子

7.0k叉子

分享

开源人工智能语音工作室。克隆、口述、创作。

声带