hehehai/AudioSmith

对 Apple 芯片用户来说，这是一个把语音合成、配音、转写放进同一个本地应用的选择；但硬件窗口较窄，模型包也会随功能扩张。

解决什么问题

你手里有脚本、一本书的章节或一段视频，想要指定声音的旁白，最好还能让不同角色各说各话、响度统一，并拿到带说话人标注的转写。常见做法是把 TTS、语音识别、说话人分离和音频编辑几套工具拼起来，很多还要走网页服务并在工具之间搬文件。AudioSmith 把这些步骤收进一个 Mac 应用：导入文本或媒体，选声音或模型，得到成品片段、M4B 章节、配音或带说话人名字的转写。工作流从“搭管线”变成“在一个工作室窗口里完成”。

有什么不同

核心机制是通过 MLX 在 Mac 的 GPU 上运行多种语音模型，模型下载完成后，语音合成与识别都在本地完成，引擎本身不需要账号，装好模型后可以离线使用。在模型之上，应用还加了面向长内容的工作流：脚本标记可控制停顿、语速和发音；故事模式会把 Name: line 形式的台词自动分配角色，并合并同一角色的连续台词；有声书按章节处理并支持 ACX 风格响度；配音分四步，可用 yt-dlp 拉取视频；画布可以把多个步骤串起来，一次处理一批输入。这些设计针对的是要产出成品音频的人，而不只是试用模型的人。

代价在于硬件和模型授权的分散。不同能力依赖不同模型包：8 GB 只能跑 Fast 包；建议 16 GB，且其中一个对话模型需要 16 GB；高保真克隆、声音设计、配音和写作助手需要 24 GB。模型各自保留授权，OmniVoice 明确标注为非商业用途，因此做出来的声音可能还受应用 AGPL-3.0 之外的额外限制。配音流程还涉及可选下载 ffmpeg 和 yt-dlp，并非每条路径都完全自包含。

谁值得试

适合已经有脚本、要朗读书籍或给短视频配音，并且有一台 16–24 GB 内存的 Apple 芯片 Mac、希望本地处理而不按分钟付费的人。故事和有声书功能对多角色内容更有意义，而不是只合成一小段话。不合适的是 Intel Mac、旧版 macOS 或只有 8 GB 内存却想用高保真克隆或配音的人，因为这些能力绑定更大的模型包和更多内存。需要 Windows、Linux 支持，或要求声音模型可无条件商用的人，应先核对模型授权和平台限制再投入时间。

使用条件与边界

硬性边界是 macOS 15 及以上、Apple 芯片（M1 或更新）。内存不只影响速度，还直接决定哪些功能可用；模型占用磁盘从 1.3 GB 到 17 GB 不等，对话模型还要再加数 GB。下载需要在厂商网站上注册免费账号，文档给出的替代方案是从源码构建，这会改变不想注册者的安装负担。当前版本是 beta，更新记录逐版列出。应用有签名和公证，但长期使用意味着持续关注模型包要求，以及把项目从试验推进到发布时每个声音模型各自的授权。

HotRepo 点评

该仓库在 2026-10-27 登上 HotRepo 新项目榜（不是总榜）第 #23 名时，创建仅 14 天、共有 107 个 star。这只是一个日期快照，无法据此判断热度能否持续。对内存足够的 Apple 芯片用户来说，真正要核对的是所需模型包是否匹配自己的内存，以及每个声音模型的授权是否允许你的用途，尤其是 OmniVoice 的非商业条款。

项目源码与说明