Voicebox

Voiceboxは長い学習ではなく短いサンプルから声のプロファイルを組む。音声ファイルを放り込む、マイクから最大30秒録音する、システムで再生中の音声を取り込む、といった方法が使える。つまり動画やポッドキャストから直接声をクローンできる。プロファイルは再利用でき、複数のサンプルを組み合わせて精度を上げることも可能だ。クラウドの分数を借りずにオープンソースの音声クローンを使いたい人にとって、ここがツールの中核になる。

1つのモデルに賭けるのではなく、Voiceboxは7つのテキスト読み上げエンジンを同梱し、切り替えられるようにする。Qwen3-TTSは多言語クローンを担い、Chatterbox Multilingualは最も広い言語範囲をカバーし、Chatterbox Turboは笑いやため息といったパラ言語タグを加え、Kokoroは小さくCPUでも速いままだ。最良のエンジンはなく、その作業に合うものが1つあるだけだ。用途ごとに選ぶほうが、1つのベンダーの提供物に縛られるより良い。

グローバルショートカットが、あなたの話し言葉をどのアプリでもテキストに変える。キーを押しながら話して離すと、書き起こしが入力中の欄やクリップボードに入る。macOSとWindowsであらゆるアプリにディクテーションできるのはこの部分で、どのテキスト欄にもアプリ内マイクボタンが付く。書き起こしと元の音声はCapturesに一緒に保存されるので、後から話した内容を振り返れる。長いメッセージを手で打つことへの実用的な答えだ。

1回のツール呼び出しvoicebox.speakで、MCP対応のあらゆるエージェントが、あなたがクローンした声で話せる。Claude Code、Cursor、Cline、そしてMCPを話すものなら何でも声のプロファイルに紐づけられるので、画面を見なくてもどのエージェントが応答しているか分かる。エージェントが起こしたクリップはどれも同じ画面上のピルを表示するため、バックグラウンドで無音のまま再生されることはない。このエンドポイントは同じローカルサーバー上でACPやA2Aなど他のツール呼び出しプロトコルにも対応する。

ダウンロードしたエンジンはそれぞれ、自分のマシンのポート17493でRESTエンドポイントになる。APIキーも、回数制限も、文字ごとの料金もない。リクエストが自分のコンピューターから出ないからだ。開発者はNPCの台詞の生成、キャラクターのローカライズ、アプリへの音声返信の追加などに、localhostアドレスに対して使う。音声機能を作る人にとって、料金とプライバシーのいつものトレードオフを取り除いてくれる。

声のプロファイルには自由なパーソナリティを持たせられ、アプリのローカルモデルがその声でテキストを書き換えたり、要求に応じて新しい台詞を即興で作ったりする。ゲームの対話、ナレーションのキュー、長いプロジェクトでキャラクターを一貫させるのに便利だ。さらにStoriesエディターは複数の声をマルチトラックのタイムラインに並べるので、複数の話者でシーンやポッドキャストの一区切りを切れる。散らばったクリップが1つの作品になる。スタジオは要らない。