语音克隆不用上云：Voicebox本地工作站集成7个TTS引擎

ElevenLabs 在 2023 年的爆火，说明了 AI 语音合成的需求很旺盛。大家都渴望着能用自己的声音生成配音，或者克隆某个喜欢的音色，于是纷纷选择订阅各种在线服务。

但现实是：大部分在线服务要把自己的数据传到云端，还要出订阅费，每个月几十美元。你的声音样本、训练好的模型全锁在别人的服务器上，哪天服务涨了价或者干脆关了，你什么也带不走。也有人折腾开源方案，但折腾一圈下来，发现大部分工具的体验还停留在命令行敲一敲、能出声就行的阶段。想做个多角色的对话？想给生成的语音加个混响？想用不同引擎对比一下效果？对不起，你得自己拼。

最近一个名为 Voicebox 的项目在 GitHub 上开源，采用本地化语音克隆方案，让每个人都能在自己的电脑上完成专业级配音制作。GitHub 上已获取 21K Star。

它是一个完全本地运行的语音克隆工作站，集成了 7 个 TTS 引擎，带多轨道编辑器，还有完整的 API——ElevenLabs 能做的事它基本都能做，只不过全在你自己机器上跑，免费。

7 个 TTS 引擎

• Qwen3-TTS（阿里巴巴开源）：主力引擎，有 0.6B 和 1.7B 两个版本，支持 10 种语言，克隆质量很高，可以给它写"表演指令"，做有声书、做配音的最佳选择
• LuxTTS：只要 1GB 显存，CPU 上能跑到 150 倍实时速度，输出还是 48kHz 高采样率，适合快速出草稿听效果
• Chatterbox Multilingual：23 种语言，阿拉伯语、芬兰语、斯瓦希里语这种小语种都支持
• Chatterbox Turbo：只有 350M 参数，但能理解副语言标签——在文本里写 [laugh]、[sigh]、[gasp]，它真的会笑、叹气、倒吸一口气，输入框里敲 / 就能弹出标签选择器
• TADA：更长的语音-语言模型，有 1B 和 3B 两个版本，能生成 700 秒以上的连贯音频，时间戳精确到音素级别
• Kokoro：最小的那个，只有 82M 参数，自带 50 个精选预设声音，对硬件要求最低

三大差异化能力

本地运行，数据不出设备：所有推理、克隆、生成都在你的机器上完成。macOS 上走 MLX/Metal，Apple Silicon 能快 4 到 5 倍；Windows 上走 CUDA，NVIDIA 显卡自动识别；AMD 和 Intel Arc 也都有对应的后端支持。

能做一整期播客：大部分 TTS 工具的逻辑是先输入文字、生成音频就结束了，但做过语音内容的人知道，真正的麻烦不是生成一段话的语音，是把多段话拼成完整的内容。要做一期两人对话的播客，你得先生成 A 的台词，再生成 B 的台词，然后拖进音频编辑软件里对时间轴、调音量、加过渡，一段 5 分钟的对话光拼接可能就要折腾半小时。

Voicebox 的 Stories 编辑器是一个多轨道时间轴编辑器，长得有点像简化版的 DAW。你可以把不同声音的生成结果拖到不同轨道上，直接在时间轴上排列、修剪、分割，播放头会同步走，随时听效果。

8 种后处理效果：音调偏移、混响、延迟、合唱/法兰、压缩、增益、高通滤波、低通滤波，都可以在生成音频后直接调整，背后用的是 Spotify 的 pedalboard 库，质量扎实。还支持实时预览，调好参数后保存成预设。内置了 4 个预设：Robotic（机器人声）、Radio（收音机质感）、Echo Chamber（回声室）、Deep Voice（低沉嗓音），也可以自己创建。效果还能绑定到声音档案上，比如你有一个"旁白"的档案默认就带混响和压缩，每次用这个声音生成效果自动带上。

应用场景

• 多角色有声书制作：输入不同角色的台词，为每个角色创建独立的声音档案，在 Stories 编辑器里排列时间轴，一键导出完整的有声书
• 播客对话生成：两人甚至多人的对话场景，每个声音独立轨道，支持实时预览和效果调整，5 分钟的对话内容从生成到导出可能只需要 10 分钟
• 视频配音与后期：生成的音频自带后处理效果，混响、压缩、音调调整一站式完成，不用再切到 Audition 或 Premiere 做二次处理

安装与使用

去官网 voicebox.sh 下载安装包，macOS 有 Apple Silicon 和 Intel 两个版本，Windows 是 MSI 安装包，也可以 Docker 一键启动：

git clone https://github.com/jamiepine/voicebox
cd voicebox
docker compose up

应用启动后，先把模型装好。点界面右上角的立方体图标进入模型管理页面，新手建议先下两个：Qwen3-TTS 的 1.7B 版本（效果好）和 Whisper Small（克隆声音时用来转录样本）。第一次下载过程可能要几分钟，模型下载完会自动加载，状态变成绿色就能用了。

创建声音档案：点左侧的 Profiles 标签，再点右上角的"+"号。有 3 种方式：直接拖一段 WAV 或 MP3 进去自动上传；直接点录音按钮对着麦克风说 10-20 秒；或者从系统音频里截取。录完之后点保存，给档案起个名字。

生成语音：在主界面文本框里输入想生成的内容，选 Qwen3-TTS 引擎，语言选中文，声音档案选择前面创建的档案，点"Generate"生成，等几秒音频就出来了。

REST API

想把它集成到自己的项目里也支持，Voicebox 暴露了完整的 REST API，默认跑在 localhost:17493，生成语音、管理声音档案、查询状态都有接口，详细文档访问 localhost:17493/docs。

curl -X POST http://localhost:17493/generate \
  -H "Content-Type: application/json" \
  -d '{"text": "你好，这是Voicebox生成的语音", "profile_id": "你的档案ID", "language": "zh"}'

注意用 CPU 也能跑但是很慢，想要流畅的体验还是需要 GPU 加速，推荐用 macOS，MLX/Metal 能让 Apple Silicon 快 4 到 5 倍。Linux 目前没有现成的安装包，得从源码编译。

项目基于 MIT 协议开源，可商用，也能二次开发。

项目地址：https://github.com/jamiepine/voicebox