Voicebox

Voicebox baut ein Stimmprofil aus einer kurzen Aufnahme statt aus einer langen Trainingssitzung. Sie können eine Audiodatei ablegen, bis zu 30 Sekunden über das Mikrofon aufnehmen oder den Ton mitschneiden, der auf Ihrem System läuft. So klonen Sie eine Stimme direkt aus einem Video oder Podcast. Profile sind wiederverwendbar. Sie können mehrere Aufnahmen kombinieren, um das Ergebnis zu schärfen. Für alle, die Open-Source-Stimmklonen ohne gemietete Cloud-Minuten wollen, ist das der Kern des Werkzeugs.

Statt auf ein einziges Modell zu setzen, bündelt Voicebox sieben Text-zu-Sprache-Engines und lässt Sie zwischen ihnen wechseln. Qwen3-TTS übernimmt mehrsprachiges Klonen, Chatterbox Multilingual deckt die größte Sprachspanne ab, Chatterbox Turbo ergänzt paralinguistische Tags wie Lachen und Seufzen, und Kokoro bleibt winzig und schnell auf der CPU. Es gibt keine beste Engine, nur die richtige für eine Aufgabe. Nach Bedarf zu wählen ist besser, als an das gebunden zu sein, was ein einzelner Anbieter liefert.

Eine globale Tastenkombination macht aus Ihrer Sprache Text in jeder App. Halten Sie die Tasten, sprechen Sie, lassen Sie los; das Transkript fällt ins aktive Feld oder in die Zwischenablage. Das ist der Teil, mit dem Sie unter macOS und Windows in jede App diktieren, und jedes Textfeld bekommt eine Mikrofon-Schaltfläche in der App. Transkript und Originalton bleiben zusammen in Captures, sodass Sie später nachvollziehen können, was Sie gesagt haben. Eine praktische Antwort auf das Tippen langer Nachrichten von Hand.

Ein einziger Werkzeugaufruf, voicebox.speak, lässt jeden MCP-fähigen Agenten mit einer Stimme sprechen, die Sie geklont haben. Claude Code, Cursor, Cline und alles andere, das MCP spricht, kann sich an ein Stimmprofil binden, sodass Sie hören, welcher Agent antwortet, ohne hinzusehen. Jeder vom Agenten gestartete Clip zeigt dieselbe Pille am Bildschirm, damit nichts stumm im Hintergrund läuft. Der Endpunkt passt auf demselben lokalen Server auch zu anderen Werkzeugaufruf-Protokollen wie ACP und A2A.

Jede Engine, die Sie herunterladen, wird zu einem REST-Endpunkt auf Ihrem eigenen Rechner, auf Port 17493. Es gibt keine API-Schlüssel, keine Nutzungsgrenzen und keine Gebühren pro Zeichen, weil die Anfragen Ihren Computer nie verlassen. Entwickler nutzen sie, um NPC-Dialoge zu erzeugen, Figuren zu lokalisieren oder Sprachantworten in eine App einzubauen, alles gegen eine localhost-Adresse. Für alle, die Sprachfunktionen bauen, fällt damit der übliche Kompromiss zwischen Preis und Privatsphäre weg.

Ein Stimmprofil kann eine freie Persönlichkeit tragen, und das lokale Modell der App schreibt Ihren Text in dieser Stimme um oder improvisiert auf Wunsch eine neue Zeile. Das hilft bei Spieldialogen, Erzählhinweisen oder dabei, eine Figur über ein langes Projekt hinweg konsistent zu halten. Der Stories-Editor legt dann mehrere Stimmen auf eine mehrspurige Zeitleiste, sodass Sie eine Szene oder ein Podcast-Segment mit mehreren Sprechenden schneiden. Er macht aus verstreuten Clips ein fertiges Stück. Ohne Studio.