那个每年收你几百块的AI语音工具,被一个开源项目干翻了:3秒克隆你的声音,646种语言,完全离线跑在你自己电脑上

本文所有数据来自项目官方仓库与公开文档，产品效果因硬件配置而异，不构成使用建议。

先算一笔账。

如果你在用ElevenLabs做语音克隆和视频配音，最便宜的Creator版每月25美元，一年就是300美元，约2100块人民币。

这还只是基础档。字符多了得加钱、克隆的声音多了得加钱、团队使用加钱、商用授权再加钱。

而且更关键的是：你上传的声音样本、你的脚本、你生成的每一段音频，全部都在别人的服务器上。

方便吗？确实方便。

但你有没有想过——这件事，其实可以完全在你自己的电脑上完成。不要钱、不用联网、数据不出硬盘。

今天GitHub Trending上冲到前排的一个项目，就把这件事做成了。

它叫 VoiceStudio。

2.4万星，纯本地运行，3秒音频就能克隆声音，支持646种语言，还能视频配音、做有声书、做听写——

一个桌面应用，把ElevenLabs能干的几乎所有事，都搬到了你自己的电脑里。

VoiceStudio（以前叫OmniVoice-Studio）是一个开源的、完全本地化运行的语音工作室。

你可以把它理解成"本地版的ElevenLabs"——但比ElevenLabs功能更杂、更像一个完整的音频生产工作台。

它有一个桌面端应用（macOS / Windows / Linux都支持），安装之后，你电脑上就有了一整套语音能力：

所有这些，全部在本地跑。不需要账号、不需要API Key、不需要订阅、没有用量统计。

你付的只有电费。

VoiceStudio最厉害的不是它自己写了个语音模型，而是它把市面上几乎所有主流的开源语音模型都做成了"插件"，统一塞进了一个界面里。

目前支持16个TTS（文字转语音）引擎和11个ASR（语音转文字）引擎。

比较有名的包括：

你可以随时切换引擎，同一个界面里对比效果。

这就像你家里有一台音响，但你可以随时换不同的功放和喇叭——而不是被锁在一个厂商的生态里。

实话实说，我给你拉个对比：

所以结论很清楚：

而且有一点很多人没注意到——VoiceStudio有OpenAI兼容的API。

什么意思？就是你以前所有调用OpenAI TTS的代码，只要把 base_url 改成 http://localhost:3900/v1，立刻就变成了调用本地模型。

一行代码的事，云端变本地，收费变免费。

这是我觉得最有想象力的一个功能。

VoiceStudio内置了MCP服务器（Model Context Protocol）。

说人话就是：Claude Code、Cursor、Codex这些AI编程Agent，可以直接调用你本地的VoiceStudio——

让AI写代码，写完用你克隆的声音读给你听。

或者反过来：你用语音说需求，AI识别出来然后去干活。

而且你可以给不同的Agent绑定不同的声线——Claude Code用你的声音，Cursor用另一个声音，各司其职。

想象一下这个场景：以后你的AI助手，开口说话的声音，就是你自己的声音。

不是那种粗制滥造的TTS，是3秒克隆出来的、几乎一模一样的你的声音。

你的数字分身，开口第一句话，用的就是你自己的嗓音。

很多人看到"本地跑大模型"第一反应就是——我那破电脑能带得动吗？

分情况说：

最低配置：

推荐配置：

直白点说：

默认模型不大，下载也快。对普通人来说，16GB内存的笔记本就能跑得很流畅了。

吹了这么多，该说的问题也得说。

第一，质量天花板确实比ElevenLabs低一点。

尤其是英文的自然度和情感表达，ElevenLabs目前还是行业标杆。VoiceStudio的OmniVoice引擎已经很接近了，但要说全面超越还没到。

第二，需要一点折腾。

首次安装需要下载模型，需要等。不同引擎的安装方式不一样，有的需要额外配置。对纯小白来说，可能会卡在第一步。

相比之下，ElevenLabs打开网页就能用，零门槛。

第三，商用授权要注意。

VoiceStudio本身是AGPL-3.0开源协议，不限制你生成的音频怎么用。但你用的模型本身可能有自己的授权条款——比如默认的OmniVoice权重是非商业的（CC-BY-NC）。

如果你要商用，得选一个允许商用的引擎，比如CosyVoice 3（Apache-2.0）或者GPT-SoVITS（MIT）。

第四，它还在beta阶段。

官方明确说了是active beta，main分支可能不稳定。生产使用建议下载正式release版本。

聊点别的。

这两年AI语音工具爆火，大家的使用路径都一样：

上传你的声音样本 → 云端训练 → 按字符计费 → 你的声音数据留在别人的GPU上。

方便是方便，但总觉得哪里不对。

你的声音是你的生物特征，是你的身份的一部分。现在它被上传到某个公司的服务器上，用来训练他们的模型，然后你还要按使用次数给他们付钱。

这不太对劲。

VoiceStudio的出现，至少给了我们另一个选项：

你可以选择把声音留在自己的硬盘上。

不需要上传、不需要订阅、不需要按字符付费、不需要担心数据被拿去训练。

3秒录音，一个软件，全部本地化运行。

这不是什么革命性的技术突破——这些模型社区里早就有了。

但把它们整合到一个桌面应用里，做出ElevenLabs级别的使用体验，还完全开源免费——这件事的意义，远不止"省了25美元月租"。

它意味着：语音能力不再是少数云服务商的专利，正在变成每个人电脑上的基础功能。

就像文字处理从大型机走到了PC，就像图片生成从云端API走到了本地Stable Diffusion。

语音，正在走同样的路。

而你，现在就可以拥有第一台属于你自己的、完全私有的"语音工厂"。

新手建议： 先用默认引擎试试水，觉得效果不够再装CosyVoice或者GPT-SoVITS。中文用户强烈推荐试试CosyVoice 3，中文效果目前是最好的。

最后说一句。

技术的走向从来不是"越来越贵、越来越集中"。

恰恰相反，每一次真正的技术革命，都是把曾经昂贵的、稀缺的、被少数人掌控的能力——

交到每一个普通人手里。

而你的声音，本来就该是你的。