Voicebox(开源AI语音合成软件)

Voicebox是什么

Voicebox是一款开源的AI语音合成软件。它是一个本地优先的语音克隆工作室，可在macOS、Windows系统上运行，Linux版本也在开发中。其核心定位是帮助用户完成语音克隆、自然语音生成、多语音项目创作等操作，所有核心功能均可本地运行，无需将语音素材上传至第三方服务器，充分保护用户数据隐私。

Voicebox基于MIT许可证，完全免费且开源，用户可自由修改和分发。它采用前后端分离架构，前端是由React + Tauri构建的跨平台桌面应用，后端是Python FastAPI服务。模型层默认以阿里巴巴的Qwen3 - TTS为核心，为Apple Silicon用户提供了MLX加速支持，在配备M系列芯片的Mac上能获得显著的推理速度提升。

软件功能

• 语音克隆：仅需3 - 30秒的清晰音频样本，即可高精度克隆一个声音档案，为角色配音、个性化播客等提供基础。

• 多语言语音生成：原生支持中文、英语、日语、阿拉伯语等23种语言，满足全球化内容创作需求。

• 多TTS引擎切换：可灵活切换LuxTTS、Chatterbox Turbo等5种TTS引擎，平衡速度与音质。

• 情绪表达：在输入文本中嵌入如

  (laugh)、(sigh)等副语言标签，让合成语音更具情感。

• 音频后处理：内置混响、延迟、合唱等8种音频效果器，可直接在软件内完成基础音频美化。

• 多轨编辑：提供多轨时间轴编辑器，支持多声部播客、角色对话的录制与混音。

• API集成：自带完整REST API，便于开发者将语音合成功能集成到自己的应用中。

软件特色

• 本地运行保隐私：所有计算、模型和生成数据均留在用户本地设备，杜绝数据外泄风险。

• 免费开源更自由：无需支付订阅费用，也没有调用限制，用户可根据自身需求自由使用和修改代码。

• 安装简便易上手：官方提供了打包好的安装包，新手无需复杂配置，点击几次鼠标即可完成安装。

• 性能优越速度快：在Apple Silicon设备上借助MLX框架加速，推理速度比传统PyTorch方案快4到5倍，Windows设备搭配NVIDIA GPU也能获得流畅体验。

使用方法

• 下载安装：前往官网voicebox.sh或GitHub Releases页面，下载对应平台的安装包。macOS/Windows系统可下载预构建二进制包，双击安装；Linux系统暂时需从源码构建，可参考官方文档。

• 创建声音档案：打开软件，进入Profiles页面，点击New Profile，输入名称和语言，上传一段3 - 30秒的清晰音频或直接在应用内录音，等待模型处理完成。

• 生成语音：切换到Generate页面，选择已创建的声音档案，在文本框中输入内容，可插入情绪标签，选择TTS引擎后点击生成，可实时预览并下载音频。

• 应用音频效果：在生成结果上点击Effects，可叠加混响、延迟等效果，支持实时预览，还可保存为自定义预设绑定到声音档案。

• API集成（进阶）：服务默认运行在http://localhost:17493，可通过curl命令或其他方式调用API，完整API文档可访问http://localhost:17493/docs。

收费价格

Voicebox是开源项目，所有核心功能均可免费使用，无任何订阅费用或调用限制。

常见问题解答

是否可以离线使用：

支持本地推理，可完全离线使用，同时也提供远程推理选项。

支持哪些操作系统：

目前支持macOS、Windows系统，Linux版本后续会推出。

生成速度慢怎么办：

Apple Silicon设备可开启MLX加速功能，Windows设备建议安装好NVIDIA CUDA驱动，借助GPU加速。若仅使用CPU，可尝试降低音频采样率和生成内容质量。

Mac启动时提示「无法打开应用」怎么办：

可前往「系统设置-隐私与安全性」页面，找到被拦截的应用，点击「仍要打开」。

可以商用吗：

可以，Voicebox选用MIT开源协议，可自由用于商业项目。

总结

Voicebox是一款功能强大且极具特色的开源语音合成软件。它以本地运行为核心，解决了用户对语音数据隐私的担忧，同时免费开源的特性使其具有广泛的适用性和扩展性。丰富的功能如高精度语音克隆、多语言支持、多样的音频效果处理等，能满足游戏开发、播客制作、无障碍工具开发等多种场景需求。简单的使用方法和友好的界面，让新手用户也能快速上手，是一款值得推荐的语音合成工具。