Voiceboxレビュー：オープンソースのローカル音声スタジオ

Voiceboxは、音声の両方向を扱うローカルファーストの音声スタジオです。テキストをクローンまたはプリセットの声で読み上げ、さらに話した内容を聞き取って文字起こしし、貼り付けます。 READMEは自らを、ElevenLabsとWisprFlowの無料でオープンソースの代替を1つにまとめたアプリと説明し、公式サイトでは自分のマシン上で完結して動くと説明しています。

アプリはTauri（Rust）とPythonのFastAPIバックエンドで作られており、公式サイトは運営元としてSpacedrive Technology Inc.を挙げています。 リリースノートで「Capture release」と呼ばれるバージョン0.5.0で、音声入力、ボイスパーソナリティ、MCPサーバーが加わりました。公式サイトに表示されている「v0.2.0」はデモのスクリーンショット内のラベルで、リリース番号ではありません。

VoiceboxはmacOSとWindows向けにダウンロードできます。Linux向けのビルド済みバイナリはなくソースからのビルドが必要で、READMEにはDockerを使う方法も載っています。

RAM、ディスク容量、OSバージョンの最低条件は情報源に記載がありません。負荷が大きいのは、別途ダウンロードする音声モデルと言語モデルの部分です。

以下はすべて公式サイト、ドキュメント、READMEに基づく内容で、独自に検証したものはありません。

ローカルアプリはアカウント不要で無料です。料金ページには有料のCloudプランとStudioプランが載っていますが、どちらも「coming soon」と表示されています。 数値はすべて料金ページの米ドル表示で、確定価格ではないと記載されています。

2026年7月6日に更新されたプライバシーポリシーは、デスクトップアプリが録音、声のプロファイル、文字起こし、生成結果、設定を運営元に送信せず、アプリのテレメトリや分析も説明されていないと述べています。 公式サイトは、モデル、音声、文字起こし、言語モデルの出力がマシンの外に出ることはなく、ローカルAPIは既定で127.0.0.1で待ち受けるとも記載しています。

クラウドバックアップ（任意）は、アップロード前にデバイス上でエンドツーエンド暗号化されると説明されており、サーバー側に見えるのはアカウントのメールアドレス、オブジェクト数とサイズ、ハッシュ、同期カウンター、タイムスタンプだけです。ポリシーには、暗号化された声紋を保存するVoice ID機能と、公開したクリップは誰でも見られるという注意も書かれており、支払いはStripeまたは暗号資産で行われます。公式サイトは、別のマシンのバックエンドに接続する「Local or Remote」オプションにも触れていますが、「マシン上で完結」という記述との整合は説明していません。

Voiceboxは、MITライセンスで活発に開発されており、自分のパソコン上で声のクローン、音声の生成、音声入力ができ、APIとMCPサーバーでエージェントにも話させられます。無料のローカルアプリについてのプライバシーの記述は強い内容ですが、開発元の主張であり、最新のタグ付きリリースは4月のものなのにコードは10月まで変更が続いていて、Linuxはソースからのビルドが必要で、自動貼り付けが確認できるのはmacOSだけです。無料のローカル音声ツールを1つにまとめたく、大きなモデルを複数ダウンロードしても構わないクリエイターや開発者に向いています。実証済みの音声品質、各モデルの商用利用の明確さ、完成度の高いLinuxのインストールが必要な場合は、まず試用し、各モデルのライセンスを読んでください。