Voicebox 语音盒

Voicebox 是什么

Voicebox 是一个本地优先的开源 AI 语音工作室，把语音输入与语音输出整合在同一个应用中。你可以用几秒钟的音频克隆任意声音、用 23 种语言生成语音、通过全局快捷键向任意输入框听写，还能让支持 MCP 的 AI Agent 用你克隆的声音说话。

它常被看作 ElevenLabs（语音输出）与 WisprFlow（语音输入）的开源整合替代方案，所有模型、声音数据与录音都留在本机。

核心能力

多引擎语音合成

内置 8 个 TTS 引擎，可按次切换：

• Qwen3-TTS：高质量多语言克隆，支持“慢点说”“耳语”等表达指令
• Qwen CustomVoice：9 个精选预设音色，无需参考音频
• Qwen VoiceDesign：用一段文字描述生成音色
• LuxTTS：轻量英文引擎，CPU 上可达 150 倍实时
• Chatterbox Multilingual / Turbo：支持 [laugh]、[sigh] 等副语言标签
• HumeAI TADA、Kokoro：更多预设与风格选择

声音克隆与预设音色

支持零样本克隆（给一段参考音频即可），也提供 50 多个通过 Kokoro 与 Qwen CustomVoice 提供的预设音色。

语音输入与听写

全局听写热键支持按住说话与切换两种模式，macOS 上可自动粘贴，任何文本框内都有应用内麦克风，底层使用 Whisper 做语音识别。

智能体语音输出

任何支持 MCP 的 Agent（如 Claude Code、Cursor、Cline）只需调用一次 voicebox_speak 工具，就能用你克隆的声音与你对话。

长文本与故事编辑器

自动分块并交叉淡化，可处理脚本、文章、章节等长内容；多轨时间线编辑器适合制作对话、播客与叙事作品。

技术架构

• 主语言为 Python，桌面端基于 Tauri（Rust） 而非 Electron
• 支持 macOS（MLX/Metal）、Windows（CUDA）、Linux、AMD ROCm、Intel Arc 与 Docker
• 提供 REST API 与内置 MCP 服务器，方便集成到自有应用

快速开始

可从官网下载 macOS（Apple Silicon / Intel）与 Windows 安装包，或使用 Docker 启动：

docker compose up

Linux 暂无预编译二进制，需参考官方文档从源码构建。首次使用建议阅读故障排查指南，处理模型下载与 GPU 相关问题。

适用人群

• 希望本地化处理语音、注重隐私的开发者与创作者
• 想为 AI Agent 增加语音交互能力的工程师
• 需要批量生成多语言配音、播客或有声书内容的团队
• 希望以 API 方式集成 TTS/STT 能力的应用开发者