Voicebox
Jamie Pine · 語音與語言
Voicebox 是一款免費、開源的語音複製工作室，支援 macOS 與 Windows，能在幾秒內複製聲音、以七種 TTS 引擎生成語音，並將資料留在本機。
關於 Voicebox
什麼是 Voicebox
Voicebox 是一款本機 AI 語音工作室，把整套語音流程收在一台電腦上完成。多數工具只做一半：某個雲端服務處理文字轉語音，另一個負責聽寫，而你的樣本躺在別人的伺服器上。Voicebox 兩端都在本機處理。你用一段簡短樣本建立語音設定檔，用它來說也用它來聽，每個模型與每段錄音都留在你的磁碟裡。
它吸引人的地方在於掌控權。語音資料很敏感。雲端語音複製意味著把聲音與腳本上傳給一家按字元計費的公司。Voicebox 反其道而行：不用帳號、沒有逐字元費用、也沒有限流，因為模型跑在你的硬體上。代價是設定。你得下載動輒數 GB 的模型，第一次執行比網頁工具慢，成果也取決於你的機器有多少 GPU 或共享記憶體。
只要設定檔存在，它也能當成單純的 AI 語音生成工具。話說回來，它是 MIT 授權的開放專案，不是完成品的消費級產品。有些部分，例如雲端同步，仍標示為即將推出，Linux 使用者目前還得自行從原始碼建置。想要一鍵搞定的人，這裡不適合。但若你要的是真正屬於自己的語音複製軟體，它算得上少數認真做的選擇。
開始使用
- 從官方網站下載 macOS 或 Windows 版本，或在 Linux 上用 Docker 執行，或從原始碼執行。
- 開啟 Profiles 分頁並點選 New Profile，接著加入樣本：上傳音檔、用麥克風錄音，或擷取系統音訊。
- 下載你想用的 TTS 引擎。每一個都會變成你機器上的本機語音模型。
- 輸入文字、挑選設定檔與引擎，然後生成。要聽寫時，按住全域快速鍵，對任何文字欄位說話。
- 選用：把某個聲音綁定到 Claude Code 或 Cursor 這類 MCP 用戶端，讓代理用你複製的聲音說話。
產品資訊
快速了解 Voicebox 的定價、支援平台與效能。
適合對象
這項工具最適合的使用者、任務與情境。
使用者
- 重視隱私的創作者：他們的聲音樣本、腳本與錄音從不離開這台機器，因此沒有第三方會留存原始音訊。
- 播客與影片剪輯者：他們能用以複製的聲音生成一致的旁白，不必在雲端方案上按字元付費。
- 開發者與 AI 代理使用者：他們取得一個本機語音端點，Claude Code、Cursor 或 Cline 只要一次工具呼叫就能使用。
任務
- 用簡短樣本複製聲音：三秒音訊就足以為多數片段建立可用的設定檔。
- 批次文字轉語音：長腳本與有聲書章節會以交叉淡接自動切分，生成不會卡住。
- 在任何應用程式中聽寫：按住快速鍵、說話，逐字稿就會落進目前的文字欄位或剪貼簿。
情境
- 把腳本變成多角色對話：Stories 編輯器把多個聲音疊在同一條時間軸上，適合播客或旁白。
- 讓 AI 代理開口說話：支援 MCP 的工具會用你掌控的聲音念出狀態更新。
- 離線或在飛機上工作：模型下載好之後，生成與轉錄都能在沒有連線的情況下運作。
主要功能
幾秒鐘就能複製聲音
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。
一款應用程式內建七種 TTS 引擎
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。
隨處都能貼上的聽寫
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。
透過 MCP 的代理語音
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。
本機 REST API
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。
人格設定與 Stories 編輯器
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。
優缺點
優點
- 預設完全在本機運作，聲音樣本與生成的音訊都留在你的機器上。
- 依 MIT 授權免費且開源，不用帳號，也沒有逐字元計費。
- 七種 TTS 引擎與數十種預設聲音，讓你有空間依任務挑選模型。
- 內建 REST API 與 MCP 伺服器，容易把語音接進應用程式與 AI 代理。
- 跨平台支援涵蓋 macOS、Windows、Linux 與 Docker。
缺點
- 數 GB 的模型要自己下載，在得到第一個成果前得花時間與磁碟空間。
- Linux 使用者還拿不到預先建置的執行檔，必須從原始碼建置。
- 品質取決於你的硬體，沒有像樣 GPU 或 Apple Silicon 的舊機器會覺得很慢。
- 雲端備份與同步仍列為即將推出，多裝置使用還沒準備好。
常見問題
是的。整套應用程式永久免費且開源，包含複製、聽寫、所有 TTS 引擎與 MCP 支援。沒有帳號也沒用量上限，因為一切都在本機執行。唯一的付費方案是選用的雲端備份與同步，目前尚未推出。
相關內容
探索與 Voicebox 相關的工具、技能與文章。
Voicebox 替代方案
Prosp
Prosp · 寫作 · 語音與語言 · 行銷Prosp 是一款 AI LinkedIn 開發信工具，專為代理商與業務團隊打造，會針對每位潛在客戶以你自己的聲音撰寫訊息與語音訊息，讓他們真的回覆。你連接帳號、尋找潛在客戶，讓 AI 大規模草擬並發送個人化訊息，全部在一個收件匣完成。它是為大量進行陌生開發的人設計的。這就是它全部的賣點。每一個接觸點仍然必須感覺像真人。
Wordly AI Translation
Wordly · 語音與語言 · 生產力Wordly AI Translation 是一套為會議、研討會與活動打造的即時 AI 翻譯與字幕平台。它提供 60 多種語言的即時翻譯、字幕、逐字稿與摘要，與會者只要掃描 QR Code 或開啟連結就能加入，不必配戴專用耳機。平台可搭配 Zoom、Microsoft Teams、Google Meet 與 Webex 運作，專為想在每場活動提供多語言服務、又不想每場都請真人口譯的組織而設計。就是這麼單純。
Musicful
Musicful AI · 語音與語言 · 影片Musicful 是一款 AI 音樂生成器與 AI 音樂影片製作工具，能在幾分鐘內把文字變成音樂。給它一段文字提示、一組歌詞或一段哼唱的旋律，它就會回傳一首帶人聲與樂器的完成曲目。它同時也是 AI 歌曲生成器，能用你創作的歌曲產出音樂影片，並提供 AI 翻唱工具與開發者 API。平台可在網頁瀏覽器與 Android App 上執行，所以你能在桌機開始一首歌，再用手機接著做。