夜雨聆风最近在做视频配音，发现一件挺无语的事。
市面上的AI配音工具，要么贵，要么坑，要么又贵又坑。
ElevenLabs 效果好，但免费额度抠抠搜搜；剪映自带配音，会员才能用高级音色；那些在线配音网站更离谱，转完还带个水印，想取消？交钱。
我心想，就一个配音的事，怎么搞得跟选妃似的。
后来在 GitHub 上翻到个项目，Voicebox，34.5K 星，130 万下载，MIT 开源协议。花了几天把它翻来覆去地折腾了一遍，今天把真实体验写下来。
第一印象：这货居然是个桌面App
我还以为又是那种要配 Python 环境的命令行工具，结果打开官网发现——是个正经的 Mac/Windows 桌面应用，下载安装就完事。
第一印象不错。
打开之后界面长这样：左边声音档案，中间生成框，右边音效面板。不复杂，基本操作不需要看教程。
我最常用的三个功能
1. 声音克隆，确实有点东西
官方说 3 秒就能克隆，我试了录了一小段话大概 10 秒。
生成之后随便打了行字让它念。说实话，第一次听的时候愣了下——语气、停顿、音色确实像，不是那种机器人的"大家好我是XX"，而是真的有那个味道。
当然不是 100% 完美。复杂情绪、长句尾音会有点飘，但对于短视频配音、音频文章来说，已经足够用了。
它内置了 7 个语音引擎。中文我主要用 Qwen3-TTS，发音自然，支持语速和语调控制。如果你想跑在 CPU 上，Kokoro 只有 82M 参数，也能用。
2. 全局语音输入，这个真香
按住快捷键，说话，松开，文字自动落到你光标的位置。
我在微信、飞书、备忘录都试了，识别准确率相当可以。连"神经网络""残差连接"这种词都没翻车。
还有个贴心的设计：本地的小模型会自动去掉"嗯、啊、那个"之类的口头禅，转出来的文字干净很多。
对经常写东西的人来说，这个功能可能比声音克隆更实用。
3. AI助手会说话了
这个属于意外惊喜。
我把它接上了 Claude Code，测试通过后，它会用"我的声音"念一句"测试通过，可以合并"。第一次听到的时候还挺震撼的——就像你的电脑突然有了灵魂。
不过这个偏极客向，如果你不用 AI 编程工具，这个功能可以跳过。
几个值得说的细节
不限长度： 我试过把一篇 5000 字的文章丢进去，自动分段生成，无缝拼接，没有在中间断开或者卡住。
23 种语言： 中文、英文、日语、阿拉伯语……甚至斯瓦希里语都有。想做一个多语言账号的话，同一个声音可以讲不同语言。
音效面板： 8 种效果，变机器人声、加混响、调音高，做播客或者搞笑视频够用了。
完全离线： 模型下载一次之后，断网也能用。所有数据在你电脑上，不上传任何服务器。这点对处理敏感内容挺重要的。
它不擅长的地方
说点实话。
首先，对新手有一点门槛。虽然界面不算复杂，但如果你第一次接触"模型下载""GPU 推理"这些概念，可能会懵几分钟。
其次，对显卡有要求。最好的体验肯定是有 N 卡或者苹果芯片的 Mac。纯 CPU 也能跑，但速度会慢一些。
最后，它目前还没有一键生成字幕、自动对齐时间轴这种"一步到位"的功能。它做好的是声音本身，剪辑工作还是得搭配剪辑软件用。
跟付费工具比，值不值？
在配音质量上，ElevenLabs 仍然是最好的。但问题是——它贵啊。
如果你只是偶尔做个视频配音，Voicebox 完全够用了，而且是免费的、离线的、无限制的。性价比这块，它还真找不到对手。
关注我，获取AI精彩内容！
更多详情，请移步：https://github.com/jamiepine/voicebox
