被配音软件恶心吐了?69k星神作:一键克隆声音

上周四，夜里一点二十。我朋友老周还在改一条 90 秒的口播视频。画面剪完了，字幕压好了，就差最后一道工序——配音。

他把三百字的文案粘进那个用了两年的配音网站，点了试听。弹窗很准时：试听 30 秒，开通会员可导出完整音频，¥25 一个月。他咬着牙充了。第二天第二条片子剪完，弹窗换了一句话：本月字符额度已用完。

这套流程你大概率也熟：按字收费、按月租嗓、导出限速。最膈应的还不是钱——是你录的合同、会议、稿子，得先传到别人的服务器上转一圈，才轮得到你听成品。

六个月前，GitHub 上冒出来一个项目，自我介绍只有一句话：open-source, fully-local ElevenLabs alternative——开源、纯本地运行的 ElevenLabs 平替。它叫 VoiceStudio，69,207 个星标，AGPL-3.0 协议，一行代码全部摊开给你看。

以前用配音网站，本质上是去照相馆拍照：底片在人家手里，拍一张收一张的钱。VoiceStudio 干的事，是把相机搬进你家——语音模型装在你电脑上，算力用你自己的，录音从始至终不出机器。官方 README 原话：Local workflows run on your hardware。

上手只要三步：① 下载，Windows 用户在官网复制一条命令，或者直接去 Releases 页面下 .exe 安装包；② 拖入 10 秒录音，找段安静环境录一句干净的人声就行；③ 一键生成，把文案粘进去，选好声音，按生成。全程不需要碰命令行。

小白最怕的三件事，它一个个消灭掉：怕弄坏电脑——它是独立应用，卸载就干净，不动系统；怕扣费陷阱——开源软件没有账号体系，没有续费按钮；怕隐私泄露——推理在你本机完成，不上传云端。

语音克隆这件事十年前就有，但那时候的模型动辄几十 GB，还得配专业计算卡，普通人摸都摸不到。这两年情况变了：模型被压缩到消费级硬件能跑的体量。有 N 卡的走 CUDA 加速，苹果 M 系芯片走 Metal，实在没有独显，纯 CPU 也能跑——就是慢一点，安装时记得腾出大约 5GB 磁盘空间。

VoiceStudio 默认引擎是 k2-fsa 家的 OmniVoice，也允许你按需更换其他引擎。克隆好的声音相当于一份声音底片，存在你本地：之后想用多少次就用多少次，没有计数器，没有月底清零。

“你以为你在为声音付费，其实你一直在为别人机房的电费付费。”

—— 写给所有还在按月租嗓子的内容生产者

吹的话我不说。下面三条全部摘自官方更新日志，每条都带 issue 编号，你可以自己去仓库核对。

①安装时会弹安全警告。官方安装包没做数字签名和苹果公证（官方文档原话），Windows 和 macOS 首次运行会提示未知发布者。这不是中毒，是你提前该知道的一步。

②没有独显会慢。纯 CPU 模式能用，但生成几分钟的音频会比较磨人，赶时间的建议配一张 N 卡。③Windows on ARM 还是实验性。骁龙 X 一类的机器先别抱太高期待。

④ 最后这条最重要。官方许可里写得明明白白：Clone voices only with permission——只能克隆你自己的声音，或者拿到明确授权的声音。拿它去伪造别人身份、冒充客服、搞电信诈骗，不只是缺德，是犯罪。这条线踩了，谁都保不了你。

“工具没有立场，但用工具的人有。”

—— 关于声音克隆，唯一需要记住的一句话

0 门槛开箱指引：Windows 用户打开 PowerShell，粘贴下面这一行回车就完事；不想用命令的，直接去 GitHub 的 Releases 页面下载安装包，双击安装。macOS 选 .dmg，Linux 选 .AppImage 或 .deb。

第一次运行弹出安全提示时，选择仍然运行即可（原因见上文第④部分前的说明）。装好后打开 Voice cloning 工作区，录一段 10 秒的干净人声，你的声音车间就开工了。

留言区互动话题

GitHub 官方开源地址：

github.com/debpalash/VoiceStudio

官方网页版在线检索导航：

voicestudio.sh（官网 · 含一键安装脚本与文档）