VoiceStudio:本地开源配音安装指南

2026 年 4 月开源的 VoiceStudio（仓库 debpalash/VoiceStudio，曾用名 OmniVoice Studio）尝试了一种不同于其他家的路线：桌面端、全本地、AGPL-3.0。官方定位写得很直——开源、可自托管的 ElevenLabs 替代：音色克隆、音色设计、视频配音、听写、转写、有声书，覆盖宣称的 646 种语言。截至 2026-10-25，GitHub 星标约 8.5 万；最新正式包 v0.5.6（2026-09-23）。官网对比表（2026-09-30 核对口径）里，语言数对上 ElevenLabs 付费档的 74，本机跑、音频默认不上传。

默认引擎是 k2-fsa/OmniVoice：零样本克隆，推荐约 6GB 独显显存；没有独显也能 CPU 跑，只是更慢。官网写约 8GB 内存即可起步。

旧模式作废的，是「配音必须租云端额度」这件事。新模式里问题为何消失：推理在你机器上完成，没有按字符倒计时；参考音与成片默认留本地；克隆、设计、配音、有声书进同一桌面壳，不再在浏览器标签页之间人肉搬运。

直接上干货：装什么、点哪里、干活场景怎么对，以及后段必须看清的许可与硬件坑。

官方 Electron 界面导览：克隆 / 设计 / 配音 / 模型（README docs/media/electron/voicestudio.gif）

官网 OG：Clone. Design. Dub. · 646 languages · 本机运行（voicestudio.sh/og/home.png）

一. 半分钟产品卡

官网首页还给出一组装机侧数字（2026-09-30 观察口径）：Docker Hub 拉取 10 万+、GHCR 4 万+。星标以 GitHub 实时数为准（撰写时约 8.5 万）。

官网对比表口径（核对 2026-09-30）：本机 / 646 语 / 音频默认不上传，对照云端按字符计费

二. 旧痛点怎么被拆掉

按字付费。 云端配音常见路径是账号 + API Key + 字符包。试几句旁白、改几版文案，免费档很快见底。VoiceStudio 开源桌面：无账号也可跑；费用落在你自己的电和硬盘，而不是每生成一次扣一截额度（Pro 是可选商业席位，不是开源版的「按字计费」）。

声音离开本机。 对比表写得很清楚：OSS/Pro 侧「Your audio / Stays local」；云端方案是 Uploaded。官网 FAQ：不主动 phone home；只有检查更新或你主动下模型时才联网。对口播素材、未发布剧本、客户样片，这是生产约束，不是情怀。

工具链碎片化。 以前常见拆法：A 站克隆、B 站翻字幕、C 站合成、再手工压回视频。VoiceStudio 把克隆、设计、配音、听写、转写、故事分轨、有声书装进同一 Electron 应用；另有本地 API 与 MCP，方便接编程 Agent。

边界也说清：这不是「装上就等于商用零顾虑」。AGPL 管的是应用代码的开源义务；默认语音模型权重另有 非商业条款；克隆只能动有授权的声音。细节放后段避坑。

三. 功能对干活：七条短场景

按官网功能条，对到常见生产动作：

• 音色克隆
   — 有干净参考音（官方常写约 3 秒；引擎文档甜区 3–10 秒）→ 本机零样本出声 → 旁白、角色、多语换皮  
• 音色设计
   — 没有参考音时，用性别、年龄、音高、口音/方言等属性拉一条新声线 → 存进图库反复用  
• 视频配音
   — 本地片源进流水线：转写、对齐、合成、压回时间轴；官方卖点是「任意视频、任意语言、时间对齐」  
• Stories
   — 剧本分角色，各角套不同克隆/设计声 → 短剧样片、有声漫预演  
• 有声书
   — 长文或 EPUB 进，按章输出；旁白可用克隆声、设计声或图库声  
• Voice gallery
   — 先听内置样例，再决定要不要自己录参考  
• 转写 / 听写
   — 音频变可检索文本；听写有悬浮组件，适合边写边说（具体快捷键以当前版 Settings 为准）

进阶能力在功能目录里还有：人声分离、说话人日志、批量队列、MCP、本地优先与 GPU 自动检测。默认 TTS 不顺手时，可在 Model Catalogue 换 CosyVoice 3、VoxCPM2、PocketTTS、KittenTTS 等——以仓库 docs/feature-catalog.md 与官网 Library 为准。

Electron 四屏拼图：Voice Clone / Dubbing / Voice Design / Models（官方 README 截图）

四. 安装：一行命令（或官网安装包）

不需要先配一整套 Python 手搓环境。官方主推安装脚本；也可从 Releases 下对应平台的 .dmg / .exe / .AppImage / .deb。

macOS / Linux

curl -fsSL https://voicestudio.sh/install | sh

指定版本（例如当前最新 0.5.6）：

curl -fsSL https://voicestudio.sh/install | sh -s -- --version 0.5.6

voicestudio.sh/install 不可达时，可用仓库脚本：

curl -fsSL https://raw.githubusercontent.com/debpalash/VoiceStudio/main/scripts/install.sh | sh

Windows（PowerShell）

README 写法：

irm https://voicestudio.sh/install | iex

官网下载页亦提供：

powershell -ep bypass -c "irm https://voicestudio.sh/install.ps1|iex"

要求 Windows 10/11 x64。Windows on ARM 仍属实验路径，以官网说明为准。

Docker（无头 Web 工作室）

适合 GPU 机器或家庭实验室；镜像名仍带历史前缀 palashdeb/omnivoice-studio，端口 3900：

docker run -d --pull always --name omnivoice \  -p 127.0.0.1:3900:3900 \  -v omnivoice-data:/app/omnivoice_data \  -v ~/.cache/huggingface:/root/.cache/huggingface \  palashdeb/omnivoice-studio:latest

浏览器打开 http://localhost:3900。首次运行会拉模型权重。

硬件预期（装之前看一眼）

打开应用后：进 Voice cloning，选内置演示声或加一段干净参考录音，输入文本，按提示安装模型，生成。

版本卡：v0.5.6（2026-09-23）· Electron · AGPL + 默认权重非商用提示（据 Releases / 官网，非本机 About 截图）

五. 怎么出效果：四条最短路径

下列步骤按官方工作流与引擎文档归纳，不是作者本机跑分记录。

1）克隆一条可用旁白

1. 准备 3–10 秒 干净人声（安静环境、无音乐底；有音乐先走人声分离）。  

2. Voice Clone：上传或机内录音。  

3. 选目标语言（官方清单 646；跨语克隆时，参考音转写保持原语，合成文案写目标语）。  

4. 粘贴文案 → Generate → 预览后导出（常见 MP3/WAV/FLAC，以当前导出菜单为准）。  

参考音质量决定上限。引擎文档：有转写会更好；过长片段会自动裁窗，极端长音频需先剪到合适长度。

2）没有参考音：设计一条声线

进 Voice Design，调官方暴露的属性（性别、年龄、音高、whisper、英音口音、中文方言等），Preview 迭代，满意后存进 Gallery，之后在克隆/配音/有声书里直接点选。自由散文描述会被映射到固定词表——超出词表的修辞，模型可能直接忽略。

3）视频配音

进 Dubbing：本地视频（或文档所述支持的片源方式）→ 选目标语言 → 跑流水线。社区教程与早期图文曾概括阶段：转写、说话人分离、翻译、合成、混流回封装；具体阶段名以你安装版 UI 进度条为准。短片在 GPU 上通常是「分钟级」等待量级，CPU-only 会明显拉长——以机器为准，别拿别人的时长当承诺。

4）有声书 / 长文

Audiobook 工作流：长脚本或 EPUB 进入 → 保留章节结构 → 指定旁白（克隆 / 设计 / 图库）→ 按章导出。适合先用图库旁白打样，再换成自己授权过的克隆声做正式版。

Stories 同理：剧本分角、分声，适合对话密度高的样片，而不是一上来就整本精排。

Voice Clone：三秒级参考音 + 文案 → 本机合成（官方 electron 截图）

Voice Design：用属性/描述拉一条新声线，再存进 Gallery（官方截图）

Video Dubbing：本地片源进流水线，时间对齐多语配音（官方截图）

Studio / 长文与项目同壳：Audiobook、Stories 在侧栏进入（官方 studio 截图）

Voice Gallery：先听内置样例，再决定要不要自己录参考（官方截图）

Model Catalogue：按平台推荐并下载本机权重（官方 electron 截图）

六. 和 Agent / 自动化怎么接

README 写明：本地 API 与 MCP，可把 TTS、克隆、配音接到 Claude Desktop、Cursor 一类能跑 MCP 的客户端。也提供给编程 Agent 的安装提示词（docs/install/agent.md）以及 npx skills add debpalash/VoiceStudio。

对内容团队：日常仍以桌面 UI 为主。对工程向用户：同一台机器上的本地服务，比「每个脚本各自调一家云 TTS」更容易进 CI 或批处理——前提是你已读过 AGPL 对「网络提供修改版」的要求。

七. 避坑（建议读完再上生产）

1. 只能克隆有授权的声音。

官网 Acceptable use 写明原则：Clone a voice only when its owner has agreed。冒充、诈骗、未同意的公开人物「假声明」、儿童声音等均在禁止列。商用建议留书面授权；合成内容在可能误导听众的场景应标注为合成。

2. AGPL ≠「随便闭源卖 SaaS」。

自用桌面、甚至公司内部用开源版跑活，许可页写得很宽。一旦你修改后把 VoiceStudio 当网络服务给别人用，或把应用打进要分发的产品，就要按 AGPL 提供对应源码。Pro/Lifetime 解决的是闭源 Pro 构建 + 商业席位条款，不自动等于「可以闭源分发或私有托管改版」——后者要走 Enterprise 询价。

3. 应用免费，不代表默认模型可商用。

LICENSE-NOTICE：默认 k2-fsa/OmniVoice 代码 Apache-2.0，预训练权重 CC-BY-NC。官网 Library 亦标 Non-commercial terms。商用上线前，对每个启用的引擎/权重单独核条款；付费应用许可不替代模型许可。

4. 显存不够别硬扛默认引擎。

OmniVoice 文档：4GB 级卡会把本该秒级的渲染拖成分钟级并可能超时。改 OmniVoice GGUF，或 PocketTTS / KittenTTS 等轻量引擎；Settings → Performance 看清当前到底是 cuda / mps 还是静默掉到了 cpu。

5. 第一次慢，多半是在下模型。

可先在 Model Catalogue 把权重下完再点 Generate，避免误判为卡死。

6. 平台边角。

Intel Mac 本地后端不可用；Windows 上 PyTorch GPU 路径基本是 NVIDIA/CUDA；AMD/Intel 独显在 Windows 上许多引擎会落到 CPU。Docker 镜像名仍可能出现 omnivoice 字样——产品名已是 VoiceStudio，引擎名可以继续叫 OmniVoice。

7. 版本与壳。

跟正式包请认 Electron 构建；0.5.3 是最后 Tauri 版，旧用户需按迁移文档另装 Electron，不要混用预期。

八. 今晚最小闭环

1. 一行安装脚本装上 v0.5.6（或从 voicestudio.sh/download 下对应包）。  

2. 用内置 Gallery 声生成一句中文旁白，确认本机链路通。  

3. 用自己授权的 5 秒参考音走一遍 Voice Clone，导出 wav。  

4. 若要商用：先查清 OmniVoice（或你换上的引擎）权重许可，再决定是否需要 Pro/Enterprise。  

5. 有短视频需求再开 Dubbing；有长文再开 Audiobook——先通一条路径，再堆队列。

仓库与入口：

• https://github.com/debpalash/VoiceStudio  
• https://voicestudio.sh/  
• 许可摘要：https://voicestudio.sh/license  
• 可接受使用：https://voicestudio.sh/acceptable-use  

云端配音不会消失；按字计费、素材出域、多语排队，也不会一夜之间从行业里蒸发。VoiceStudio 做的是另一件事：把「克隆 / 配音 / 有声书」收成可装在自己磁盘上的开源桌面能力——装不装，取决于你是否天天被那三件事折磨。

信息来源：VoiceStudio 官网与 GitHub README/引擎文档/许可页，以及公开发布的介绍与入门教程（数字以 2026-10-25 可核对页面为准）。