📌 项目地址：jamiepine/voicebox | ⭐ 28,811 颗星 | 🔧 TypeScript | 📜 MIT
上手第一印象
下载macOS Apple Silicon版，打开界面。没有注册，没有登录。选一个引擎，粘贴文本，点生成。几秒后音频文件出现在列表里，可以播放或导出。
整个过程没有联网请求。模型文件在首次运行时会下载到本地，之后完全离线。
28811个Star，说明这个方向确实有需求。本地运行、多引擎、语音克隆加上听写，把两个云端工具的功能装进一个应用里。
7个TTS引擎的实际差异
Voicebox内置7个引擎：Qwen3-TTS、Qwen CustomVoice、LuxTTS、Chatterbox Multilingual、Chatterbox Turbo、HumeAI TADA、Kokoro。
我拿一段英文播客文本和一段中文说明，分别用不同引擎生成，对比结果。
Chatterbox Turbo 是目前唯一支持音节内标签的引擎。在文本里写 [laugh]，生成的语音真的带笑声。写 [sigh] 会叹气。做播客对话、游戏角色配音、任何需要情感颗粒度的场景，只能用这个。
Qwen CustomVoice 支持自然语言风格描述。比如“用高兴语气，语速快一点”，不需要标签，生成的语气比标签更自然。代价是需要试出合适的描述词。
Kokoro 生成最快，适合批量初筛。0-shot克隆时它细节丢失最多（气音会被抹平），但速度快，拿来试稿可以。
Qwen3-TTS 覆盖23种语言最广。我试了日语和中文，发音通顺，但情感表达偏平。语言支持范围广不等于每个语言质量都一样——README没标注，只能自己测。
LuxTTS、Chatterbox Multilingual、HumeAI TADA 在我测试的英文和中文上没有明显特长。
我的建议：想要情感表现力先用Chatterbox Turbo，追求生成速度用Kokoro，不确定性语言场景用Qwen3-TTS。
语音克隆怎么用
克隆声音有三种入口：零样本克隆、预设声音、文本描述生成。
零样本克隆：截8秒以上音频，拖进界面，选一个引擎，点克隆。我用播客截了10秒，Kokoro 2秒出结果但细节丢失，Chatterbox Turbo保留更多原声质感但生成时间翻倍。这不是bug，是引擎设计取舍。
预设声音：Kokoro和Qwen CustomVoice各带50+内置声音。点选能立即试听，不用克隆步骤。适合刚上手时快速验证流程。
文本描述生成：你告诉引擎“一个中年男性的低沉嗓音”，它生成对应声音。这个方式我没试出特别好的结果，描述越具体效果越好，但和实际录音比起来还是生硬。
后处理效果：pitch shift、reverb、delay、chorus、compression、filters。生成后可以加一层滤镜调整。无限长度生成靠自动分块加crossfade，我试了一篇3000字文章，自动切成3段，衔接处有重叠淡入淡出，无明显断点。
听写：全局热键+自动粘贴
设置一个全局热键后，按住空格说话，松开自动转文字并粘贴到当前光标。两种模式：push-to-talk（按住才录）和toggle（点一下开始，再点停止）。
macOS上自动粘贴正常工作，这是README里“accessibility-verified auto-paste”的结果。STT基于Whisper，本地运行。我的M1 Pro上转写延迟大约1秒。
和WisprFlow比，没有云端优化带来的连续对话场景优势，但数据不离开机器。
MCP集成：一行配置让AI代理用你的声音说话
README说得很简洁：一个工具调用voicebox.speak，任何支持MCP的AI工具（Claude Code、Cursor、Cline）都可以调用。
我在Cursor的.cursorrules里加了一条“当需要音频输出时，使用voicebox.speak工具”。测试时它真的用我克隆的那段声音念了一段注释。接入成本就是一条配置指令，不需要写额外监听代码。
REST API也提供，同样可以自己调。但MCP更简单：代理直接调用，不需要自己写HTTP请求。
故事编辑器与语音人格
故事编辑器是多轨道时间线，每条语音分配不同的声音档案。我排了一个3分钟短剧：旁白用Kokoro预设“安静女声”，角色A用克隆的播客声音，角色B用Qwen CustomVoice“低沉男声”预设。输出是单轨音频，效果接近广播剧。
每个声音档案可以绑定“语音人格”（Voice Personality）：给克隆声音写一段“吐槽风格播客主播”，本地LLM在Compose、Rewrite、Respond模式里会按人格调整语气。README说agent可以通过MCP调用同样的模式。这个功能面向播客制作和自动脚本生成，日常对话用不上。
硬件消耗与部署
单一引擎（Qwen3-TTS或Chatterbox Turbo）运行：GPU显存4–6 GB，运行时内存约5 GB。同时开Whisper + TTS：内存8–10 GB。再加故事编辑器多轨道播放，接近12 GB。建议16 GB起步。8 GB机器跑单引擎可以，别同时开多个。
Docker部署到Linux服务器同样稳定，模型下载路径需要手动映射。README列出macOS (MLX/Metal)、Windows (CUDA)、Linux、AMD ROCm、Intel Arc，覆盖主流硬件。
三个绕不开的麻烦
-
引擎选择全靠自己试。7个引擎没有推荐、没有自动匹配。同一段文本，我得在3个引擎各生成一次，人工听选最好。文本越长对比越痛苦。可以写脚本批处理，但图形界面没有。
-
首次模型下载大小未知。README没标总大小。网络不好时启动会卡在下载步骤，也没有断点续传提示。我第一次下载用了15分钟，中间只看到一个静态文字“Downloading models…”。
-
故事编辑器边界有限。不支持导入外部音频，没有精确时间码编辑。要做专业混音，需要导出到Audacity或DAW。
另外，23种语言覆盖广，但README没有说明各引擎对每个语言的支持程度。HumeAI TADA可能日语支持比斯瓦希里语好，需要自己试。
谁适合装它
如果你不想把语音数据上传到云端，又需要同时做语音生成和听写，Voicebox是目前最完整的本地方案。开发者可以用MCP给AI工具加语音输出，普通用户能在图形界面里克隆、生成、编排语音。7个引擎给了选择权，也带来了试错成本。好在免费开源，硬件够的话值得花一小时折腾。