声音被配音软件收了几百块?这个开源工具,几秒克隆你自己的声音,全在本地跑

你有没有过这种时候：剪了个视频，想用自己的声音做旁白，结果打开配音软件，按月收费，几十上百块一个月，还按字数算钱。或者你只是想让 AI 助手念出一段话，却发现所有好用的语音工具都要联网、要账号、要把你的声音传上去。

声音是你自己的，凭什么每次用都要交钱，还要上传给别人的服务器？

今天聊的这个工具，思路正好反过来。Voicebox，一个开源、免费、完全在本机运行的 AI 语音工作室。几秒音频就能克隆你的声音，配音、语音输入、让 AI 开口说话，全在电脑上完成，声音数据不出这台机器。

Voicebox 是一个开源桌面软件，MIT 协议，GitHub 上几万颗星，定位是"本机优先的 AI 语音工作室"。它把三件事塞进了一个软件里：

• 声音克隆
  ：拿几秒你的音频，克隆出你的声音模型

• 语音合成（TTS）
  ：把文字变成你克隆的声音，或者其他声音

• 全局语音输入
  ：按住快捷键，在任何输入框里直接用嘴打字

它和 ElevenLabs、WisprFlow 这类云端工具做的事差不多，但区别在于：它不联网、不要账号、不按字数收费，所有计算都跑在你自己的电脑上。

• Windows 版
  ：Voicebox_0.5.0_x64-setup.rar，约 517MB（压缩包，先解压，再运行里面的安装程序）

• Mac 版
  ：Voicebox_0.5.0_aarch64.dmg，约 513MB（Apple 芯片 Mac 专用，Intel 芯片用不了）

提醒一句，Mac 这个 dmg 是 aarch64 架构，也就是 M 系列芯片（M1、M2、M3、M4）。如果你用的是 Intel 芯片的老 Mac，这个包跑不起来，得另找 x64 版本。

软件本身是跨平台的，官方还有 Linux 版，但这个资料包只收了 Win 和 Mac 两种安装包。

你不需要录长篇大论。拿一段几秒的音频（WAV、MP3、FLAC、WebM 都行），或者直接用麦克风录最多 30 秒，甚至可以从系统声音里抓一段（比如一段视频或播客里你的声音），剪一下就能存成一个声音档案。

然后，软件内置 7 种 TTS 引擎，覆盖 23 种语言：Qwen3-TTS、Chatterbox、Chatterbox Turbo、LuxTTS、HumeAI 的 TADA、Kokoro、Qwen CustomVoice。它们各有侧重：Kokoro 体积最小、CPU 就能实时跑；LuxTTS 在 CPU 上能跑得飞快；Qwen3-TTS 还能直接用自然语言下"怎么读"的指令。

说白了，你写好旁白文字，选好引擎和你的声音档案，点生成，几秒就出一段以你声音念出来的音频。

除了克隆和配音，Voicebox 顺手把几件相关的事也做了：

• 全局语音输入
  ：按住快捷键（Mac 上是 Command 加 Option，Windows 上是 Ctrl 加 Alt），在任意软件的输入框里直接说话打字，转录全本地，99 种语言都能认

• 本地整理
  ：内置一个本地小模型，自动帮你去掉"嗯、那个"这类口头禅、补标点，但不改写你的意思

• 让 AI 开口
  ：通过 MCP 协议，让 Claude Code、Cursor、Cline 这类 AI 工具用你克隆的声音把回复念出来

• 多角色叙事
  ：时间轴编辑器，可以做多声音的有声内容

对个人创作者来说，这套组合拳挺省事的：配音、打字、让助手说话，一个软件管完。

1. 下载对应平台的安装包（Win 先解压 rar，再跑 setup；Mac 双击 dmg 拖进应用程序）

1. 打开软件，它会自动识别你的硬件、拉取可用模型，等几分钟初始化

1. 进声音创建，导入一段几秒的音频或麦克风录一段，存成你的声音档案；然后写段文字、选引擎、点生成，出来的就是你自己的声音

第一次建议先用麦克风录一小段试手，别一上来就做长旁白。

声音克隆是双刃剑。这套工具最正经的玩法，是克隆你自己的声音、做自己的内容。请务必只用于你有权处理的声音，不要拿去冒充他人或做欺骗用途。技术本身中立，怎么用在你。

模型和工具都在迭代，具体界面、引擎列表、支持的芯片以你实际装到的版本为准，大方向不会变。

关注本号，评论区见，评论区第一个回复

长按二维码或微信搜索关注公众号

  新手学Aigc