又一个神级声音克隆工具，GitHub 暴涨 3.8 万 Star

VoiceStudio 是 GitHub 上的一个声音克隆项目，我写这篇时 Star 数是 3.8 万。 它做的事就是把 ElevenLabs 那种按字符收费的云端语音服务搬到本地。声音克隆、视频配音、听写转文字、做有声书，这些都在自己电脑上跑，不用注册账号，也没有 API Key 这一说，用多用少都不收费。 简介 VoiceStudio 的前身叫 OmniVoice-Studio，作者 debpalash 是个人开发者，今年 4 月才开源，基本一个人在维护，到现在提交了两千次上下，更新频率很猛。 它不是单个语音模型，更像一个语音工作台。里面集成了 16 个语音合成引擎和 11 个语音识别引擎，默认引擎是 OmniVoice，出自 k2-fsa 团队，官方语言目录号称覆盖 646 种语言。646 是所有引擎加起来的数字，单个引擎不一定支持全部语言，具体看你装哪个。 桌面端支持 macOS、Windows、Linux，也有 Docker 镜像。苹果芯片、英伟达显卡、纯 CPU 都能跑，速度不一样。 功能 声音克隆 拖一段 3 秒的录音进去，就能克隆出一个声音来。官方的说法是用 5 到 15 秒的干净单人录音效果更稳，3 秒是下限，能跑，但质量看运气。克隆好的声音可以存成声音档案，以后生成语音、视频配音、做有声书都能直接调用，不用每次重新上传。 声音克隆工作区 参考录音尽量选单人、无背景音乐、近距离的片段。因为它基本是把参考录音原样复刻，你喂一段带混响带噪音的录音进去，克隆出来的声音也带着混响和噪音。 声音设计 不想用真人录音的话也有办法，直接用文字描述一个新声音。性别、年龄、口音、音高、语速、情绪都能写进描述里，它给你生成一个全新的虚拟音色。做有声书缺配角声音时，可以用它生成。 声音设计工作区 视频配音 视频文件丢进去，或者贴个视频链接，它会自动完成转录、翻译、区分说话人，然后重新配音并导出 MP4。多人对话会按说话人分配不同声音，背景音和人声分开处理，原片的环境音能保留下来。视频多的话可以丢进批量队列，排队跑。 视频配音工作区 听写和转写 听写是全局快捷键触发的，在任何应用里按一下就能开始说话，说完自动转成文字，粘贴到你正在用的输入框里，不用切窗口。另外音频、视频文件也能转成可编辑、可搜索的文字稿，平时整理访谈和会议录音能用上。 有声书和故事 EPUB、PDF 或者长文本都能导进去，它会自动分章节，你可以给不同角色分配不同声音，最后导出带章节标记的 m4b 文件。多角色的故事模式是按剧本来的，一行一行给角色指派声音，最后一并合成。 模型管理 应用里内置了一个模型目录，16 个合成引擎、11 个识别引擎都在里面，可视化安装、卸载、切换，下载支持断点续传。显卡好就装大引擎，机器一般就换个轻量的，反正按需装，不用一次全下。 模型目录 开发者接口 本地会起一个 OpenAI 兼容的音频 API，地址是 localhost:3900。原来调 OpenAI 语音接口的脚本，把 base_url 改一行就能用。它还内置了 MCP Server，Claude Code、Cursor 这些支持 MCP 的工具都能直接调它的合成和转写能力，想让 Agent 用语音功能的话，从这里接就行。 快速开始 我装的时候走的是最省事的路线：去 GitHub Releases 页下载对应系统的安装包，Windows 是 MSI，macOS 是 DMG，Linux 有 AppImage。 macOS 和 Linux 也有一行命令的安装脚本，复制粘贴就行。 git clone https://github.com/debpalash/VoiceStudio.git cd VoiceStudio bun install cd electron bun run dev 第一次启动它会自己创建 Python 环境、下载默认模型，这一步要等一阵，具体多久看网速和机器。装完打开声音克隆页面，拖一段录音进去，输入文字，点生成，等它跑完就能听结果了。 硬件方面，最低 8GB 内存、10GB 硬盘能跑起来，但建议 16GB 内存以上。要高保真克隆或者批量配音，8GB 以上显存会稳很多。没有独显也不是不能玩，选面向 CPU 的轻量引擎，接受它慢一点就行。 最后说说 有几个限制要注意。应用本身是 AGPL-3.0 开源，但里面的模型权重各有各的许可，默认引擎 OmniVoice 的预训练权重标的是 CC-BY-NC，也就是不能商用。想商用的话换 CosyVoice 3 这类 Apache-2.0 许可的引擎，不过动手之前最好自己去把条款核对一遍。另外，克隆别人的声音，需要本人同意。 我自己看上 VoiceStudio，主要图的是音频不出本机。采访录音、没公开的样片、客户的素材，这些东西本来就不该传到第三方服务器上。以前想干这些事挺麻烦的，得自己找一堆开源模型拼管线，不想折腾就只能把素材传上云，现在一个桌面应用就能做这些。 项目更新挺勤，感兴趣可以装来试试。 开源地址 https://github.com/debpalash/VoiceStudio