jamiepine/voicebox

项目概览

通过 MCP 协议让任何支持该协议的 AI Agent 调用 voicebox.speak 发出克隆语音，在本地语音工具中探索了独特的 Agent 交互路径。

项目类型

MCP · 模型运行 · 语音音频

应用场景

会议记录 · 语音音频 · 自动化执行

部署方式

查看项目说明

License

MIT

适合谁

• 需要数据不出本地的隐私保护，并寻求替代云端语音工作室的开发者与创作者。
• 使用 Apple Silicon Mac 且希望在利用本地 LLM 桥接听写与 TTS 的同时获得 Neural Engine 加速的用户。

核心能力

• 支持从参考样本进行零样本克隆，或通过 Kokoro 和 Qwen CustomVoice 使用 50 多种精选预设声音。
• 支持跨 7 种 TTS 引擎和 23 种语言生成语音，可在每次生成时切换。
• 通过全局热键进行语音输入，支持按键说话和切换模式，并在 macOS 上提供经辅助功能验证的自动粘贴。
• 提供 voicebox.speak 工具调用，使任何感知 MCP 的 Agent 能够以克隆的声音向用户输出语音。
• 可将自由格式的角色设定附加到任何语音配置文件，然后通过内置的本地 LLM 进行组合、重写或回复。
• 运行 OpenAI Whisper 进行转录，支持听写、捕获选项卡和 /transcribe API。
• 提供多轨时间线，用于编排对话、播客和叙事内容，支持拖放操作。
• 包含 8 种音频效果，如音高转换、混响、延迟、合唱和压缩，由 pedalboard 提供支持。

限制与风险

• 目前听写的自动粘贴功能仅在 macOS 上经过辅助功能验证，可用性受到操作系统限制。
• 目前尚无适用于 Linux 的预构建二进制文件，Linux 用户需从源码构建或使用 Docker。
• 运行多个本地模型可能会导致 GPU 争用或需要大量内存。

如何开始

• 针对 macOS 和 Windows 提供了预构建的二进制文件，下载安装程序并打开应用程序即可完成首次使用。

替代方案与同类比较

• 从几秒钟的音频中克隆声音以实时生成任意语音，提供 SV2TTS 深度学习框架的工具箱和 CLI 实现，若仅需基础的语音克隆和合成功能可作考虑。
• 在 C/C++ 应用程序中实现高效的自动语音识别，提供 C 风格 API 进行集成，若仅需将 Whisper 应用于 ASR 推理而不需要完整的语音栈可作为替代。
• 提供一个 SDK，在 iOS、Android 及 Web 跨平台运行 LLM、视觉和语音转文本与文本转语音，全部在设备本地运行，适合需要在移动端和跨平台应用中集成本地语音管线的场景。

同类比较

• jamiepine/voicebox vs 实时语音克隆工具箱
• jamiepine/voicebox vs C/C++ Whisper 推理实现

核验依据

• GitHub 项目简介: The open-source AI voice studio. Clone, dictate, create.
• README: Native performance — built with Tauri (Rust), not Electron
• README: Voicebox is a **local-first AI voice studio** — a free and open-source alternative to **ElevenLabs** and **WisprFlow** in one app. Clone voices from a few seconds of audio, genera…
• Release: v0.5.0
• README: Windows / Linux auto-paste | Dictation paste parity — `SendInput` on Windows, `uinput` / AT-SPI on Linux

来源更新时间：2026-07-16T18:10:45Z

打开原始 GitHub 项目