Voicebox
开源本地优先的 AI 语音工作室，支持声音克隆、语音生成与系统级听写
工具介绍
Voicebox 是一款开源、本地优先的 AI 语音工作室，把声音克隆、语音合成、听写和多角色叙事整合在一个桌面应用中。它可以从短短几秒的音频样本克隆声音，并支持上传片段、麦克风录制或系统音频捕获三种取样方式。语音生成覆盖 7 种 TTS 引擎，单次可处理最多 50,000 字符的长文本，并自动按句子边界切分与交叉淡化。除了创作，Voicebox 还提供全局快捷键听写，把转录文本粘贴到任意应用的输入框或剪贴板；同时内置本地 REST API 与 MCP 服务，让开发者和智能体也能调用本机语音能力。
核心功能
- 声音克隆：从最短约 3 秒的音频样本克隆声音，支持上传片段、麦克风录制或系统音频捕获三种取样方式。
- 多引擎语音合成：内置 Qwen3-TTS、Chatterbox、Chatterbox Turbo、LuxTTS、Qwen CustomVoice、TADA、Kokoro 共 7 种 TTS 引擎，覆盖克隆、预设音色与表达控制。
- 系统级听写：通过全局快捷键在任意应用中录音，转录结果直接进入当前聚焦的文本框或剪贴板。
- Stories Editor 多角色编辑：基于时间线的多轨编辑器，可排列轨道、裁剪片段并混合角色之间的对话。
- 音频效果管线：支持变调、混响、延迟、压缩等效果处理，并可保存为预设复用。
- 本地 REST API 与 MCP 服务：每个已下载引擎在本机暴露 REST 端点（如 /generate、/profiles、/models/status、/history），并通过 voicebox.speak 让 MCP 智能体以克隆声音说话。
使用方法
- 1打开 Voicebox 桌面应用，准备一段用于克隆的音频素材，可通过上传片段、麦克风录制或系统音频捕获导入。
- 2基于该音频样本创建声音，Voicebox 会从最短约 3 秒的音频中完成克隆。
- 3输入或粘贴需要合成的文本，选择已下载的 TTS 引擎生成语音；长文本会自动按句子边界切分并交叉淡化，单次最多支持 50
- 4000 字符。
- 5在 Stories Editor 中把多段语音排列到时间线轨道上，裁剪片段并混合角色对话，或使用音频效果管线调整音色。
- 6试听生成结果，确认后继续编辑，或通过本地 REST API 与 MCP 服务把语音能力接入其他应用与智能体。
常见问题
Voicebox 可以做什么？
Voicebox 是一款开源、本地优先的 AI 语音工作室，主要能力包括声音克隆、跨 7 种 TTS 引擎的语音生成、全局快捷键听写、多角色故事编辑，以及通过 MCP 让智能体以克隆声音说话。
克隆一个声音需要多长的音频？
Voicebox 可以从最短约 3 秒的音频中克隆声音，取样方式包括上传音频片段、使用麦克风录制，或捕获系统正在播放的音频。
Voicebox 支持哪些 TTS 引擎？
官方列出的 TTS 引擎共 7 种：Qwen3-TTS、Chatterbox、Chatterbox Turbo、LuxTTS、Qwen CustomVoice、TADA 和 Kokoro，覆盖声音克隆、预设音色与表达控制。
单次可以生成多长的语音？
Voicebox 单次最多可生成 50，000 字符，文本会自动按句子边界切分、逐块生成并无缝交叉淡化，适合长文朗读与有声内容制作。
Voicebox 提供 API 吗？
提供。Voicebox 内置本地 REST API，每个已下载的引擎都会在本机成为 REST 端点，包含 /generate、/profiles、/models/status、/history 等接口，无需 API 密钥，也没有速率限制或按字符计费。
