又发现一个本地语音克隆神器，开源了。
ElevenLabs 在 2023 年的爆火，说明了 AI 语音合成的需求是很旺盛的。大家都渴望着能用自己的声音生成配音，或者克隆某个喜欢的音色，于是纷纷选择订阅各种在线服务。
当多数人兴致勃勃想搞 AI 配音时，现实是这样的。大部分在线服务基本的套路，要把自己的数据传到云端，还要出订阅费，每个月几十美元。你的声音样本、训练好的模型，全锁在别人的服务器上。哪天服务涨了价，或者干脆关了，你什么也带不走。
最近刷到一个名为 Voicebox 的项目在 GitHub 上开源，其采用的本地化语音克隆方案，让每个人都能在自己的电脑上完成专业级配音制作。
GitHub 上已获取 21K 个 Star。
它是一个完全本地运行的语音克隆工作站，集成了 7 个 TTS 引擎，带多轨道编辑器，还有完整的 API——ElevenLabs 能做的事，它基本都能做，只不过全在你自己机器上跑，免费。
7 个 TTS 引擎
1. Qwen3-TTS（主力引擎）
阿里巴巴开源的 Qwen3-TTS 是主力引擎，有 0.6B 和 1.7B 两个版本，支持 10 种语言，克隆质量很高，可以给它写"表演指令"，做有声书、做配音，这个是最佳选择。
2. LuxTTS（快速草稿）
想生成一点就选 LuxTTS。只要 1GB 显存，CPU 上能跑到 150 倍实时速度，输出还是 48kHz 的高采样率。假设你只是想快速出个草稿听效果，就选这个就行了。
3. Chatterbox Multilingual（多语言）
做全球的内容就用 Chatterbox Multilingual，它有 23 种语言，阿拉伯语、芬兰语、斯瓦希里语这种小语种都支持。
4. Chatterbox Turbo（副语言表达）
Chatterbox Turbo 有点不一样。它只有 350M 参数，但能理解副语言标签——在文本里写 [laugh]、[sigh]、[gasp]，它真的会笑、叹气、倒吸一口气。输入框里敲 / 就能弹出标签选择器，做角色配音的时候特别好用。
5. TADA（长音频生成）
要生成长时间的连续音频，就用 TADA。这是一个更长的语音 - 语言模型，有 1B 和 3B 两个版本，能生成 700 秒以上的连贯音频，时间戳精确到音素级别。
6. Kokoro（最小巧）
Kokoro 是最小的那个，只有 82M 参数，自带 50 个精选预设声音。对硬件要求最低。
三大核心优势
1. 本地运行，数据不出设备
现有大部分在线服务依赖云端 API，你的声音样本得上传。Voicebox 采用完全本地化方案，所有推理、克隆、生成都你的机器上完成。
硬件支持：
- macOS 上走 MLX/Metal，Apple Silicon 能快 4 到 5 倍
- Windows 上走 CUDA，NVIDIA 显卡自动识别
- AMD 和 Intel Arc 也都有对应的后端支持
2. 能做一整期播客
大部分 TTS 工具的逻辑先输入文字，生成音频，就结束了。但是做过语音内容的人知道，真正的麻烦不是生成一段话的语音，是把多段话拼成完整的内容。
Voicebox 的 Stories 编辑器是一个多轨道时间轴编辑器，长得有点像简化版的 DAW。你可以把不同声音的生成结果拖到不同轨道上，直接在时间轴上排列、修剪、分割，播放头会同步走，随时听效果。
3. 8 种后处理效果，不用切到 Audition
像音调偏移、混响、延迟、合唱/法兰、压缩、增益、高通滤波、低通滤波，都可以在生成音频后直接调整，背后用的是 Spotify 的 pedalboard 库，质量相当扎实。
还支持实时预览，调好参数后保存成预设。内置了 4个预设：Robotic（机器人声）、Radio（收音机质感）、Echo Chamber（回声室）、Deep Voice（低沉嗓音），也可以自己创建。
效果也能绑定到声音档案上。比如你有一个"旁白"的档案，默认就带混响和压缩，每次用这个声音生成，效果自动带上，不用每次手动调。
实际应用场景
1. 多角色有声书制作
输入不同角色的台词，为每个角色创建独立的声音档案，在 Stories 编辑器里排列时间轴，一键导出完整的有声书。
2. 播客对话生成
两个人甚至多人的对话场景，每个声音独立轨道，支持实时预览和效果调整，5 分钟的对话内容，从生成到导出可能只需要 10 分钟。
3. 视频配音与后期
生成的音频自带后处理效果，混响、压缩、音调调整一站式完成，不用再切到 Audition 或 Premiere 做二次处理。
安装与使用
安装也容易，5 分钟就能跑起来。
去官网 voicebox.sh 下载安装包。
macOS 有 Apple Silicon 和 Intel 两个版本，Windows 是 MSI 安装包，也可以 Docker 一键启动：
git clone https://github.com/jamiepine/voicebox
cd voicebox
docker compose up应用启动后，还不能输入文字用。要先把模型装好。先点界面右上角的立方体图标，进入模型管理页面。
你会看到一串模型列表，不用全下。新手建议先下这两个：
- 选 Qwen3-TTS 的 1.7B 版本，效果好
- 还有一个 Whisper Small 用来克隆声音时用来转录样本
第一次下载过程可能要几分钟。模型下载完，会自动加载，状态变成绿色就能用了。
模型准备好了，创建声音档案。点左侧的 Profiles 标签，再点一下右上角的"+"号。
有 3 种方式：
- 最方便的是直接拖一段 WAV 或 MP3 进去会自动上传
- 或者直接点录音按钮，对着麦克风说 10-20 秒就可以了
- 如果你正在看某个视频或播客，也可以直接从系统音频里截取
最简单的方式就是直接录音。点录音按钮，用正常语速念一段话，比如："大家好，我是开源日记，今天要给大家分享一个很棒的开源项目 voicebox。"
录完之后点保存，给档案起个名字，比如"我的声音"，后面要用到。
最后就可以生成语音了。在主界面，在文本框里输入想生成的内容。如"欢迎收听今天的节目，我们一起来聊聊这个有趣的话题。"
选 Qwen3-TTS 引擎，语言就选中文，声音档案选择前面创建的"我的声音"。
最后点"Generate"生成，等个几秒，音频就出来了。点播放按钮听听效果，不满意就换引擎重新生成。
就这么简单。没有命令行，没有配置文件。点几下鼠标，你的声音就克隆出来了。
API 集成
想把它集成到自己的项目里，也支持，Voicebox 暴露了完整的 REST API。默认跑在 localhost:17493，生成语音、管理声音档案、查询状态都有接口。
curl -X POST http://localhost:17493/generate \
-H "Content-Type: application/json" \
-d '{"text": "你好，这是 Voicebox 生成的语音", "profile_id": "你的档案 ID", "language": "zh"}'注意事项
- 用 CPU 也能跑但是很慢。想要流畅的体验还是需要用 GPU 加速
- 推荐用 macOS。用 MLX/Metal，Apple Silicon 能快 4 到 5 倍
- Linux 目前没有现成的安装包，得从源码编译，对不熟悉构建流程的人来说有点折腾
总结
以前总觉得语音克隆那都是专业工作室才能干的事，现在随便一台普通电脑，就能把 VoiceBox 跑起来。以前还老担心数据要传到云端不安全，现在全程离线就能搞定。
苏米注：Voicebox 的出现确实降低了语音克隆的门槛。7 个 TTS 引擎覆盖了从快速草稿到专业配音的各种场景，多轨道编辑器 + 后处理效果的组合让它可以独立完成完整的音频制作。最重要的是本地运行保证了数据安全，这对于商业应用尤其重要。项目基于 MIT 协议开源，可商用也能二次开发，值得尝试。