jamiepine/voicebox

项目介绍

Voicebox 把语音克隆、文本转语音、语音转文字和系统级听写整合进一个桌面应用。它面向制作旁白或播客音频的创作者、需要给智能体加语音能力的开发者，以及希望语音处理留在本机而不是云端服务的用户。应用集成了 8 个 TTS 引擎，包括 Qwen3-TTS、LuxTTS、Chatterbox、HumeAI TADA 和 Kokoro，并用 Whisper 做转写；同一个本地 Qwen3 LLM 负责听写文本的清理和按人设改写。克隆只需一段短参考音频，各引擎侧重不同：语言覆盖、预设音色、表情标签或 CPU 速度 功能概述 引擎对比。

除了单段生成，它还提供长文本自动分块与交叉淡化、用于对话和播客的多轨 Stories 编辑器、基于 Spotify Pedalboard 的效果版本管理，以及串行执行 GPU 任务的异步队列 长文本生成 版本管理 音频效果。全局听写快捷键、MCP 服务器和 REST API（/generate、/speak、/transcribe）让其他应用和智能体也能使用同一套音色 听写 API。

快速使用

直接安装桌面版：下载页提供 macOS Apple Silicon、macOS Intel 的 DMG 和 Windows 的 MSI，全部二进制文件见 Releases 页面 下载选项 最新发布。Linux 暂无预编译包，需按 Linux 安装说明 从源码构建。

启动后先创建音色配置：上传音频样本或在应用内录音；然后选择 TTS 引擎和语言，再生成语音。本地后端运行后，同一音色可用于 /speak 和通过 MCP 调用的智能体语音输出。

自行开发或构建时：

git clone https://github.com/jamiepine/voicebox.git
cd voicebox
just setup   # 创建 Python venv 并安装依赖
just dev     # 启动后端和桌面应用

需要预先安装 Bun、Rust、Python 3.12、Tauri 前置依赖，macOS 上还需 Xcode；just 也要先装好 开发环境。以容器方式运行时，README 给出的入口是 docker compose up。

使用约束

实际速度取决于 GPU：Apple Silicon 走 MLX/Metal，Windows 和 Linux 的 NVIDIA 走 CUDA，AMD 走 ROCm，Windows 另支持 DirectML，Intel 走 XPU；纯 CPU 在任何平台都能跑，但更慢 GPU 支持表。模型下载到可配置的 VOICEBOX_MODELS_DIR，单个模型可以卸载以释放显存 模型管理。

听写自动粘贴目前只在 macOS 上提供，且需要辅助功能权限；Windows 和 Linux 的粘贴支持还在路线图中 听写 路线图。只有 Chatterbox Turbo 会把 [laugh] 这类表情标签解释为声音，其他引擎会当作普通文字读出来 表情标签。Linux 需要本地编译。项目使用 MIT 许可证 许可证。

HotRepo 点评

该仓库在站内从 2026 年 6 月到 11 月有连续日榜记录，Star 从约 3.19 万涨到 5.98 万；其中 6 月 23 日至 24 日连续两天新增超过 1,000，11 月 7 日进入 Python 日榜第 8 名。这些数字说明关注度持续时间较长，但它们是收藏数和榜单名次，不能证明语音质量或实际采用程度。

技术上值得注意的是本地栈的覆盖范围：八个 TTS 引擎加 Whisper 转写、共享推理运行时的内置 LLM，以及围绕同一套音色配置的 REST 和 MCP 接口。README 也明确列出了平台缺口，尤其是 Linux 打包和非 macOS 粘贴，使用前应结合自己的环境确认。