Voicebox：在本地完成声音克隆、生成、听写与智能体语音交互
一分钟看懂
Voicebox 是一个本地优先的开源 AI 语音工作室，整合多种文本转语音引擎、声音克隆、听写、音效、故事时间线以及 REST API 和 MCP 服务，让桌面应用与 Agent 都能使用本机语音能力。
你可以用它做什么
- 从获得授权的参考音频克隆声音并生成多语言语音。
- 用全局热键把语音转成文字并粘贴到其他应用。
- 在多轨时间线中制作对话、播客和叙事音频。
- 通过 REST API 或 MCP 让应用和智能体调用语音输入输出。
主要能力
- 集成多种 TTS 引擎、Whisper 语音识别和本地语言模型润色。
- 支持 macOS 的 MLX/Metal、Windows 的 CUDA，以及 Linux、ROCm、Intel Arc 与 Docker 路径。
- 提供声音配置、表达控制、音效处理和长文本自动分段。
- 语音模型、参考音频和录音默认在本机处理。
适合哪些人
适合播客和有声内容创作者、需要本地听写的用户、语音应用开发者，以及希望给 MCP 兼容 Agent 增加语音能力的团队。
怎么开始使用
macOS 和 Windows 用户可从官方发布页下载安装包，Docker 用户可按仓库说明启动；Linux 目前需要按官方指南从源码构建。首次使用先选择与硬件匹配的引擎和较小模型，确认模型下载、显存或统一内存占用以及生成速度，再配置声音档案和 API。
使用前需要知道
本地运行仍可能需要较大模型、磁盘空间和 GPU 资源，不同引擎的语言、音质和硬件支持不同。声音克隆必须取得声音主体授权，并防止冒充和欺诈；模型权重也可能有独立许可条款。项目代码采用 MIT 许可证。