夜雨聆风做视频、播客，或者开发带语音功能的应用时，你可能都头疼过AI语音合成这事儿。
用云服务吧，价格不便宜，还老担心隐私问题。用本地工具呢，功能往往很单一，效果粗糙，多语言支持也不好，想调个音效还得专门打开音频软件，来回切换特别麻烦。
今天给大家推荐一个能从根本上解决这些问题的开源工具：Voicebox。你可以把它看作一个直接装在你电脑里的语音合成工作室。
用它，你可以克隆声音、合成多语言语音、实时添加音频效果，甚至编辑多轨对话。最关键的一点是，它完全免费、开源，所有处理都在你本地电脑上完成，你的声音数据压根不会上传到任何地方，隐私性拉满。
它到底是个啥？
简单说，Voicebox 是一个主打本地运行的语音克隆与合成工作室，算是一个开源版的 ElevenLabs 替代品。
它的核心功能很明确：让你在自己的电脑上，就能走完从声音克隆到最终输出的全部流程。
你只需要提供几秒钟的音频样本，它就能克隆出那个声音。接着，你可以用这个声音，生成支持多达23种语言的语音，再用内置的音频效果器调整音色，最后还能在一个多轨时间线上，编排多个声音的对话或故事。
所有的模型运算和音频数据都在你的机器上跑，没有网络请求，没有数据上传，隐私完全掌握在你自己手里。
[1]
不止能克隆声音，这些功能才是真亮点
亮点一：五个引擎随便换，总有一个适合你
Voicebox 里面直接内置了五个不同的语音合成引擎，生成时可以随时切换。这样你就能根据不同的语言、质量或者速度需求，灵活选择最合适的模型。
- Qwen3-TTS
：支持10种语言，克隆质量很高。它有个好玩的功能，能用文字指令控制语调，比如告诉它“轻声说”或者“说慢点”，它就能照做。 - LuxTTS
：专门针对英语，特别轻量，1GB显存就能跑起来，能输出48kHz的高品质音频。在CPU上跑，速度能达到实时的150倍。 - Chatterbox Multilingual
：语言支持最广，足足有23种。从英语、日语到阿拉伯语、印地语甚至斯瓦希里语，一些小众语言也包含在内。 - Chatterbox Turbo
：专门为英文优化的快速模型，它有一个杀手锏功能叫副语言标签，后面会细说。 - TADA
：这个引擎来自 HumeAI，特长是生成超长的连贯音频，能一次生成超过700秒的内容，在做长文本叙事时很有优势。
有了这五个引擎，你就不用再为了某个特定语言或需求，满世界找五花八门的工具了。一个 Voicebox，基本上就能覆盖主流的语音合成场景。
亮点二：给AI语音注入情绪，让它“活”过来
总觉得AI生成的对话干巴巴的没感情？Voicebox 的 Chatterbox Turbo 引擎支持一个特别实用的功能：副语言标签。
具体怎么用呢？你在输入文本的时候，直接打一个 /，就能插入像 [laugh]（笑声）、[sigh]（叹气声）、[gasp]（倒吸气声）这样的标签。
模型会把这些标签合成为真实的、带有相应情绪的声音，并且无缝地嵌入到整段语音里。这比你自己后期手动去拼接音效要自然太多了。
如果你在做有声书、对话类视频，或者给游戏NPC配音，这个功能绝对能让你的内容生动程度提升好几个档次。
亮点三：内置专业级效果链，后期不用开其他软件
语音生成好了，但想要机器人那种电子音、电台主播的厚重感，或者加点空旷的回声效果怎么办？
Voicebox 集成了基于 Spotify pedalboard 库的8种音频效果器：音高变换、混响、延迟、合唱/镶边、压缩器、增益、高通滤波器和低通滤波器。
你可以实时调整参数并预览效果，还能把调好的一套效果设置保存成预设，之后一键应用到其他语音上。
软件自带了“机器人”、“电台”、“回声室”、“深沉人声”四个现成的预设。这意味着，大多数基础的音频润色工作，你完全不用再打开 Audition 或者 Audacity，在 Voicebox 里面就能直接搞定。
亮点四：支持超长文本生成，还有多轨编辑器处理对话
碰到长篇文章或者书籍章节需要合成语音？打开“自动分块”功能，它会按照句子边界智能分割文本，分别生成语音后再用交叉淡入淡出的方式拼接起来，最长支持5万个字符。
如果需要制作多人对话或者播客节目，那就用它的“故事编辑器”。
这是一个多轨时间线界面，你可以把不同声音的语音片段，拖到不同的轨道上，然后进行剪辑、调整时间顺序，并且能统一播放预览。
对于内容创作者来说，这两个功能把从文本到语音成品的路径，大大缩短了。
亮点五：自带REST API，方便集成进你自己的项目
Voicebox 不仅仅是个桌面应用。它在后台会运行一个完整的 REST API 服务（默认端口是17493）。
这意味着，你可以通过发送 HTTP 请求，让你自己开发的游戏、工具或者自动化脚本，调用它来生成语音。
# 生成语音
curl -X POST http://localhost:17493/generate \
-H "Content-Type: application/json" \
-d '{"text": "你好世界", "profile_id": "abc123", "language": "zh"}'
# 列出所有声音档案
curl http://localhost:17493/profiles
你可以把它用作游戏内的动态对话系统、自动生成视频配音，或者为无障碍应用提供语音接口。详细的API文档可以在 http://localhost:17493/docs 找到。
三步上手，快速搭建你的本地语音工厂
第一步：下载安装
直接访问 voicebox.sh[2] 或者去项目的 GitHub Release 页面，根据你的操作系统下载对应的安装包。
- macOS
（Apple Silicon/Intel）：下载 DMG 文件直接安装。 - Windows
：下载 MSI 安装程序。 - Linux
：目前没有现成的可执行文件，需要参照官网文档从源码构建。 - Docker
：也支持，一行命令就能启动。
这个软件是用 Tauri（Rust）开发的，不是那种吃资源的 Electron 应用，所以原生性能很好。
第二步：创建你的第一个声音模型
打开 Voicebox，点击“创建档案”。你可以上传一段清晰的、至少几秒钟的语音文件（支持 MP3、WAV 等格式），或者直接使用电脑麦克风现场录制一段。
建议多添加几个音频样本，这样克隆出来的声音质量会更高。创建好后，给它起个名字，再选择一下主要使用的语言。
第三步：生成语音并开始编辑
- 基础生成
：在文本框里输入你想说的内容，在右边选择刚才创建好的声音档案和对应的语言（比如中文），点击生成。任务会进入处理队列，在后台运行。 - 添加效果
：生成完成后，点击那段语音，在右侧面板打开“效果”标签页。你可以添加“混响”来制造空间感，用“音高变换”来改变性别或年龄感，调好之后点击“应用”就行。 - 使用故事编辑器
：点击顶部导航栏的“故事”标签。把之前生成好的多个语音片段（可以是不同人的）从左侧的素材库，直接拖到下方的时间线轨道上。你可以拖动它们调整前后顺序，甚至进行简单的剪辑。点击播放键，就能预览整段对话的效果。 - 调用API
：确保软件在运行状态，然后在你自己的代码里，向 http://localhost:17493发送 HTTP 请求（就像上面的代码示例那样）。生成的文件会在软件内部管理，你也可以通过 API 获取到音频文件的具体路径。
总的来说，Voicebox 把过去需要依赖多个云端服务、切换好几个专业软件才能完成的语音合成与处理工作，整合成了一个免费、开源、且在本地运行的桌面应用。
对开发者来说，它的 API 打开了自动化集成的大门。对内容创作者而言，它极大降低了制作高质量、多语种语音内容的门槛。而对那些特别在意隐私的用户来说，所有数据都在本地处理，就是最大的定心丸。
这个项目目前还在积极开发中，未来的路线图包括了实时流式生成、通过文本描述创建全新声音等更酷的功能。像这样把前沿的AI模型，用实用、易用的形式封装起来的开源项目，确实是开发者社区里最受欢迎的类型。
如果你也在为语音合成的成本、隐私或者效率问题头疼，不妨下载 Voicebox 尝个鲜。它很可能就是你一直在找的那个“一站式”解决方案。
📎 脚注链接
[1] ：https://voicebox.sh
[2] voicebox.sh：https://voicebox.sh
