Voicebox

Voicebox 用一段簡短樣本建立語音設定檔，而不是冗長的訓練流程。你可以放入音訊檔、用麥克風錄最多 30 秒，或擷取系統正在播放的音訊，也就是說你能直接從影片或播客複製聲音。設定檔可重複使用。你可以合併多段樣本讓成果更細緻。對於想要開源語音複製又不想租用雲端時數的人，這就是這套工具的核心。

Voicebox 不押注單一模型，而是內建七種文字轉語音引擎，讓你自由切換。Qwen3-TTS 負責多語言複製，Chatterbox Multilingual 涵蓋最廣的語言範圍，Chatterbox Turbo 加入笑聲與嘆息這類副語言標記，Kokoro 則維持輕巧並在 CPU 上跑得快。沒有最好的引擎，只有最適合某項任務的那一款。依工作挑選，勝過被單一供應商的方案綁死。

全域快速鍵能把你的話變成任何應用程式裡的文字。按住按鍵、說話、放開；逐字稿就落進目前的欄位或剪貼簿。這就是讓你在 macOS 與 Windows 的任一應用程式中聽寫的部分，而且每個文字框都有內建麥克風按鈕。逐字稿與原始音訊會一起保存在 Captures 裡，之後還能回頭查看你說過什麼。這是對親手打長訊息的一個實用解答。

只要一次工具呼叫 voicebox.speak，任何支援 MCP 的代理就能用你複製的聲音說話。Claude Code、Cursor、Cline，以及任何會說 MCP 的東西，都能綁定到一個語音設定檔，讓你不必看螢幕也知道是哪個代理在回應。每個由代理觸發的片段都會顯示同一個螢幕提示，所以不會有東西在背景默默播放。這個端點也能在同一台本機伺服器上對應 ACP 與 A2A 等其他工具呼叫協定。

你下載的每個引擎都會在你自己機器上的 17493 埠變成 REST 端點。沒有 API 金鑰、沒有限流、也沒有逐字元費用，因為請求從不離開你的電腦。開發者用它生成 NPC 對話、為角色做在地化，或替應用程式加上語音回覆，全都對著一個 localhost 位址。對於要打造語音功能的人，它去掉了常見的價格與隱私取捨。

語音設定檔可以帶上一段自由發揮的人格，應用程式的本機模型會用那個聲音改寫你的文字，或依需求即興說出一句新台詞。這對遊戲對話、旁白提示，或讓某個角色在長專案中保持一致都很好用。Stories 編輯器接著把多個聲音放上多軌時間軸，你就能用多位講者剪出一段場景或播客片段。它把散落的片段變成完成品。不需要錄音室。