jamiepine/voicebox

它是什么

Voicebox 是一个本地优先的 AI 语音工作室，不是单一的 TTS 工具。它把语音克隆、语音生成、语音听写和智能体发声放在一个应用里，解决的是“语音输入”和“语音输出”分散在不同产品里的问题。主要面向需要处理语音、想在本机完成语音工作流的人。

为什么值得关注

README 明确把它定位成 ElevenLabs 和 WisprFlow 的本地开源替代品，而且把输入、输出和本地推理串成一套完整语音 I/O。榜单里它热度增长快，说明这种“一个应用覆盖整条语音链路”的定位很受关注。

核心能力

• 可用少量音频克隆任意声音
• 支持 23 种语言的语音生成
• 提供 7 种 TTS 引擎
• 可用全局热键向任意输入框听写

适合谁用

• 需要在本机完成语音输入输出的人
• 想把语音能力接入智能体交互的开发者
• 需要多语言朗读或语音克隆的内容工作者
• 重视隐私、希望模型和音频留在本地的用户

使用前注意

• 项目强调本地运行，模型和语音数据不离开机器
• README 提到包含本地 LLM，用于润色和 persona 处理
• 支持 7 个 TTS 引擎，实际效果会随引擎而异
• 仓库开源许可为 MIT

README 证据

• “The open-source AI voice studio. Clone any voice. Generate speech. Dictate into any app.”
• “The full voice I/O stack, running locally on your machine.”
• “Clone voices from a few seconds of audio”
• “generate speech in 23 languages across 7 TTS engines”