开源发现

VoiceStudio：把语音克隆、配音和转写留在本地的开源语音工作台

VoiceStudio是一个开源、本地优先的语音生产平台，前身名为 OmniVoice-Studio。它把语音克隆、语音设计、视频配音、实时听写、转写、长音频与有声书制作放进同一套桌面工作流里，核心卖点不是“再做一个 TTS界面”，而是尽量让音频、文本、项目和模型都留在用户自己的设备上运行。对于不想把素材持续上传到云端，或者需要大量生成音频而不想按字符、分钟或调用量计费的用户，这类工具有比较明确的吸引力。

VoiceStudio 官方项目截图

它把多个语音工作流做成了一套本地工具

VoiceStudio当前整合了16个 TTS引擎和11个 ASR引擎，并提供646种 TTS语言目录，不过具体语言覆盖和效果仍取决于所选引擎。它支持 macOS、Windows、Linux和 Docker，计算侧可以使用 CUDA、Apple Silicon的 MPS/MLX、Linux下的 ROCm，也可以退回 CPU，另外还支持远程 worker。

项目的功能范围已经超出普通语音合成工具。除了根据短音频进行零样本语音克隆，它还支持通过年龄、口音、音高、风格和表达方式等描述来设计声音；视频配音流程可以完成转写、翻译、保留说话人、重新合成和导出；长内容方面则支持多角色脚本、EPUB/PDF导入、章节渲染和 M4B导出。系统级听写、Demucs人声分离、Pyannote/WhisperX说话人区分、批处理队列和模型目录也都被整合进同一个应用。

对实际使用者来说，这种设计的价值在于不需要为每个环节单独拼接工具。做一段视频配音时，从语音识别到翻译、说话人处理、语音生成和导出都可以在同一套工作流里完成；做有声书时，又可以继续复用相同的声音、模型和项目数据。

本地优先，是它和云端语音服务最大的区别

VoiceStudio明确把自己定位为本地运行的 ElevenLabs替代方案。默认情况下，声音、项目、设置和输出保存在本机，核心创作流程不要求账户、API Key、订阅或用量计费。远程 worker、OpenAI兼容 ASR等涉及外部连接的能力则是可选项。

这种路线并不意味着“完全没有成本”。云端语音服务把算力、部署和扩缩容交给服务商，而 VoiceStudio把这些责任重新交给用户：模型需要下载到本地，占用磁盘空间；生成速度取决于显卡和所选引擎；某些大模型需要更多显存；版本更新和运行环境也需要自己维护。它更适合重视隐私、离线、自托管、高频生成或可定制性的用户，而不是只想打开网页立刻生成几段语音的人。

架构并不只是桌面壳，后端还能单独作为语音平台使用

VoiceStudio的桌面端采用 Tauri v2和 React/Vite，底层由 FastAPI提供本地后端服务，桌面应用通过 localhost:3900与后端通信。后端再连接 TTS/ASR引擎注册表、视频配音与长音频流水线、SQLite数据层，以及可选的远程 worker。

更有意思的是，它还提供 OpenAI兼容的音频 API。已有程序如果本来通过 OpenAI风格的接口做语音合成或转写，只需要把 base URL改成本地 VoiceStudio地址，就可以复用现有客户端逻辑。项目同时提供 REST、SSE、WebSocket、MCP Server，这让它既能作为桌面应用使用，也可以被自动化脚本、AI Agent、编辑器或其他本地软件调用。

例如，Python客户端可以直接连接本地服务：

from openai import OpenAI

client = OpenAI(
    base_url="http://localhost:3900/v1",
    api_key="local",
)

with client.audio.speech.with_streaming_response.create(
    model="tts-1",
    voice="<profile-id>",
    input="Made on my own hardware.",
    response_format="wav",
) as response:
    response.stream_to_file("speech.wav")

它还内置 MCP Server，Claude Desktop、Cursor等支持 MCP的客户端可以直接调用语音生成、语音克隆和转写工具。对于已经在使用 AI Agent的用户，这一点比单纯的桌面语音工具更有扩展空间。

安装方式覆盖桌面端和 Docker

普通用户可以直接下载项目发布的安装包。当前支持 macOS 13.3以上的 Apple Silicon设备、Windows 10/11 x64，以及 glibc 2.39以上的 Linux x86_64。Linux还提供 AppImage，Docker则提供 Linux/AMD64镜像和 CUDA、ROCm、CPU等运行配置。

如果从源码运行，需要 Node 20+/Bun和 Python 3.11+：

git clone https://github.com/debpalash/VoiceStudio.git
cd VoiceStudio
bun install
bun run desktop

桌面启动器首次运行时会通过 uv自动建立 Python环境并准备依赖，之后会复用已有环境。项目也提供浏览器开发模式和比较完整的诊断流程，如果安装失败，可以从应用内执行 self-check，或者运行深度诊断命令。

硬件要求需要提前看清楚

VoiceStudio可以在没有 GPU的情况下使用 CPU，但如果希望获得更好的生成速度，显卡仍然很重要。项目文档把4GB VRAM视为加速工作的最低起点，默认的多阶段工作流更适合8GB以上显存，部分较大的可选引擎可能需要12GB到16GB或更多。

Apple Silicon用户可以使用 MPS和 MLX，但 Intel Mac目前不能在本机运行项目的 Python后端，只能连接远程后端。Docker镜像目前也是 Linux/AMD64为主，因此 ARM64用户不能简单照搬所有容器部署方式。对于准备把它放到 NAS、家用服务器或低功耗设备上的用户，这些平台限制比功能表本身更值得先确认。

目前仍处于活跃 Beta阶段

VoiceStudio的能力已经很完整，但项目明确标注为 Active beta，并建议稳定工作优先使用最新 Release，而不是直接跟随 main分支。不同语音引擎的质量、语言支持、显存需求和速度差异也很大，因此“支持646种语言”更准确地说是语言目录规模，并不代表每个引擎都能在每种语言上获得相同质量。

项目采用 AGPL-3.0许可证，下载的模型则继续遵守各自上游许可证。对于个人本地使用，这通常不会成为障碍；如果要把 VoiceStudio嵌入商业服务、二次分发或对外提供网络服务，则应该认真确认 AGPL以及各个模型许可证的要求。

VoiceStudio最值得关注的地方，是它把过去分散在语音克隆、TTS、ASR、视频配音、长音频、系统听写和 Agent工具之间的能力，逐步收进一个本地语音平台里。它并不能消除本地部署的硬件和维护成本，但对隐私敏感、生成量大、希望离线运行，或者想把语音能力接入自己的自动化与 AI Agent工作流的人来说，已经具备了相当完整的可用形态。