Voicebox 是一个开源的 AI 语音工作室，整个运行在你自己的电脑上。它把语音相关的三件事做进同一个桌面应用：用几秒钟的录音克隆出一个声音、把文字转成语音（支持 23 种语言）、在任何输入框里用全局热键说话转文字。它还能让 AI 编程助手用你克隆的声音开口说话。项目代码托管在 GitHub（jamiepine/voicebox），star 数 5.16 万，MIT 协议，免费使用。

它要解决的问题很具体：主流的语音工具是两家云服务各管一半——ElevenLabs 管语音生成（输出），WisprFlow 管语音听写（输入）。二者都是订阅制，你的声音样本和录音要上传到对方服务器。Voicebox 把这两半合并成一套开源软件，放在本地运行：模型文件、声音数据、录音内容全部留在你的机器上，不经过任何第三方服务器。

适合谁用：在意语音数据隐私的个人用户，想在本地做语音合成的开发者，以及想把 AI Agent 接上真实语音的爱好者。硬件门槛不高，CPU 也能跑，只是慢一些（GPU 支持情况见下文）。

一个应用包揽语音输入与输出

这里的「输入」「输出」指语音的两个方向。输出方向：把文字变成声音，叫 TTS（Text-to-Speech，文字转语音），语音克隆就属于这一类。输入方向：把声音变成文字，叫 STT（Speech-to-Text，语音转文字），听写功能属于这一类。Voicebox 把两个方向都做了，还在中间加了一个本地大模型，用来润色听写文本、给声音配「人格」，让整套流程闭环。

作为 ElevenLabs 和 WisprFlow 的开源本地替代，Voicebox 在功能上对标两家之和，在隐私上是另一套逻辑：云服务把声音数据放到自己的服务器，Voicebox 把一切留在本机。

语音克隆与 7 个生成引擎

语音克隆是核心功能之一：提供几秒钟的参考录音，就能零样本克隆出这个声音（零样本指不需要大量训练数据，几秒样本即可）。也可以直接用内置的 50 多个预设音色（来自 Kokoro 和 Qwen CustomVoice 引擎）。

生成引擎一共 7 个，各有侧重：Qwen3-TTS 支持高质量多语言克隆；LuxTTS 轻量（约 1GB 显存），CPU 上也能做到 48kHz 输出；Chatterbox Multilingual 语言覆盖最广，支持阿拉伯语、印地语、斯瓦希里语等 23 种语言；Chatterbox Turbo 体积小（3.5 亿参数），支持 [laugh]、[sigh] 这类带情绪的副语言标签；HumeAI TADA 能生成 700 秒以上的连贯音频；Kokoro 模型极小（8200 万参数），CPU 推理也快。

单次生成最长支持 5 万字符：长文本会自动按句子边界切块，逐块生成后做交叉淡入拼接（crossfade），避免段落间生硬断裂。生成后还可以叠加 8 种后期效果（音高、混响、延迟、合唱、压缩等），基于 Spotify 开源的 pedalboard 音频库。

全局听写：说话代替打字

在系统里按住快捷键说话，松开后语音就被转成文字，直接贴进当前光标所在的输入框。macOS 上支持自动粘贴，剪贴板内容会被暂存、粘贴后恢复，不会被覆盖。转写用的是 OpenAI Whisper 模型（本地运行，也有更快但质量略降的 Turbo 版本）。

每个听写片段会保留原始录音和转写文本，之后可以换更大的 Whisper 模型重新转写，或让本地大模型清理「嗯、啊」之类的口头语再贴入。

给 AI Agent 一张嘴

Voicebox 内置了 MCP 服务器。MCP（Model Context Protocol，模型上下文协议）是 AI 工具之间互操作的标准接口，让 Claude Code、Cursor 这类 AI 编程助手能调用外部能力。接入后，AI 助手可以通过 voicebox.speak 这个工具调用，用你克隆的声音念出任务完成通知、回答问题——本质上任何支持 MCP 的 Agent 都能获得一个会说话的出口。

接入方式是一行命令（以 Claude Code 为例）：claude mcp add voicebox，指向本机的 127.0.0.1:17493 端口即可。不依赖 MCP 的程序也可以用 REST API（HTTP 接口）直接调用 /speak，让脚本、自动化流程也能用克隆的声音说话。每个 AI 客户端还可以绑定不同的声音（比如 Claude Code 用 A 声音、Cursor 用 B 声音），说话时屏幕上会显示对应的状态胶囊，你能分辨是谁在发声。

本地运行的技术底子

技术栈是典型的现代桌面应用组合：桌面壳用 Tauri（Rust 编写，比 Electron 更省内存），前端 React + TypeScript，后端 FastAPI（Python），本地数据库 SQLite，语音模型推理走 MLX（Apple Silicon）或 PyTorch。本地的文本润色和声音人格由内置的 Qwen3 大模型（0.6B/1.7B/4B 三档）承担，与 TTS/STT 共用同一套运行时和显存，不额外占资源。

平台支持：macOS（Apple Silicon 和 Intel）、Windows（NVIDIA CUDA 或任意显卡走 DirectML）、Linux（CUDA/ROCm）、Intel Arc，另有 Docker 镜像。CPU 兜底，任何机器都能跑，只是速度不同。

硬件门槛与上手成本

实际开销主要是首次下载模型：7 个 TTS 引擎、Whisper 和 Qwen3 按需下载，都可以单独卸载释放磁盘。生成时 GPU 越快越省时间，但 CPU 也能完成全部功能。对照云服务的持续性订阅费用，Voicebox 本体免费，代价是本机的磁盘、显存和配置时间。

结语

如果你同时需要语音克隆、全局听写和 Agent 语音输出，Voicebox 是目前少有的、把这三件事全部本地化的开源方案。声音数据不出机器，是它区别于云服务最核心的一点；是否值得迁移，取决于你对隐私的看重程度和电脑的配置。