O que é o YoVoice?
O YoVoice é um estúdio de áudio local: transforma texto em fala, cria ou clona uma voz, gera músicas e instrumentais e arranja partituras multipista, usando modelos que você baixa e executa no seu próprio computador. O README o descreve como um estúdio de código aberto para macOS, Windows e Linux; o projeto escreve o nome como «yovoice», e o site é primeiro em chinês, com uma versão em inglês.
O mecanismo de inferência é o audio.cpp, um mecanismo nativo em C++ da ShugoAI, então o README diz que não é preciso configurar Python nem Conda. A versão 0.8.0 adicionou, segundo o registro de alterações, o compartilhamento de músicas na comunidade, atalhos de teclado personalizáveis, seis temas e novos modelos de reconhecimento de fala.
Onde obter
O YoVoice é um download para macOS (Apple silicon), Windows e Linux que se instala como qualquer outro app; também é publicado um arquivo CLI independente, e o app de desktop não exige terminal.
Opção | Onde obter |
|---|---|
| macOS | .dmg para Apple silicon, macOS 14 ou posterior: GitHub Releases |
| Windows | Instalador .exe para x64, com variantes CUDA 12.4 e 13.3: GitHub Releases |
| Linux | .deb (Debian/Ubuntu) ou .tar.gz para x64: GitHub Releases |
| CLI | Zip independente por sistema: guia da CLI |
| Site | yovoice.leemysw.com |
| Política de privacidade | Nenhuma encontrada; existem apenas os termos da comunidade |
| Código-fonte | github.com/leemysw/yovoice, licença Apache-2.0 |
Versão analisada: 0.8.0, publicada em 15 de novembro de 2026 segundo a página de versões do GitHub; a alteração mais recente do ramo principal é de 17 de novembro de 2026. O GitHub é apenas o canal de entrega desses instaladores, e os modelos são baixados separadamente dentro do app.
Requisitos
As fontes não indicam mínimo de RAM, VRAM nem de espaço em disco; o que pesa são os modelos, baixados separadamente e de tamanhos muito variados.
Sistema operacional
- O que as fontes dizem:
- macOS 14 ou posterior em Apple silicon, Windows 10/11 x64, Linux x64; o instalador do Windows baixa o runtime WebView2 se preciso e o Linux exige WebKitGTK 4.1 (o .deb o instala)
Aceleração
- O que as fontes dizem:
- Metal no macOS; os instaladores do Windows com CUDA 12.4 e 13.3 incluem um runtime para GPUs NVIDIA; o Linux roda na CPU de fábrica, com um runtime de GPU Vulkan que pode ser baixado nas Configurações
Memória e VRAM
- O que as fontes dizem:
- Depende do modelo; a documentação lista o tamanho dos arquivos por modelo, por exemplo IndexTTS 2.5 com 3.50 GB em Q8, e recomenda uma GPU para o Breeze TTS 2
Modelos
- O que as fontes dizem:
- Baixados dentro do app ou com a CLI, com pausa e retomada; as fontes não informam o tamanho total dos downloads
Pasta de dados
- O que as fontes dizem:
- ~/.yovoice por padrão, pode ser movida nas Configurações; desinstalar o app a preserva
Internet
- O que as fontes dizem:
- Necessária para baixar modelos e runtimes; a documentação diz que a geração funciona offline depois de instalados o mecanismo e um modelo
Os backends são os listados no README e no guia da CLI; a PromptQuorum não verificou quais modelos rodam em cada backend.
Recursos confirmados pelas fontes
Tudo o que segue vem do README, da documentação ou do registro de alterações; nada foi testado de forma independente.
- Voz, criação de voz e clonagem. Clonar uma voz a partir de uma gravação de referência, criar uma a partir de uma descrição em texto e ajustar emoção e entonação; a lista de modelos inclui IndexTTS 2.0 e 2.5, VoxCPM2, Qwen3-TTS, XTTS v2 e Kokoro.
- Dublagem de histórias. Importar arquivos de texto ou legendas, atribuir um personagem a cada linha e gerar linha a linha, com várias tomadas por linha para comparar.
- Música e partituras. Músicas com letra e instrumentais com ACE-Step 1.5 ou YuE2, instrumentais e efeitos sonoros com Stable Audio 3, separação de uma música em seis stems e arranjo de partituras General MIDI com exportação de MIDI e stems.
- Transcrição. Áudio ou vídeo viram linhas de legenda com marcação de tempo, exportadas como SRT ou WebVTT, com modelos como Qwen3 ASR e Parakeet.
- Agentes e API. Um Agent Skill instalável e a CLI, uma API HTTP autenticada com endpoint MCP via
yovoice serve, uma API local dentro do app de desktop em 127.0.0.1 e um painel de assistente opcional que funciona com serviços como DeepSeek, Qwen, OpenAI, Anthropic, Ollama e LM Studio. - Interface. Doze idiomas de interface, seis temas e atalhos de teclado editáveis.
Custo
O app é gratuito sob a licença Apache-2.0, e nem o site nem o repositório citam plano pago, teste ou assinatura.
App
- O que as fontes dizem:
- Gratuito; só o compartilhamento na comunidade é descrito como exigindo uma conta
Assistente de IA
- O que as fontes dizem:
- Opcional; uma API paga por uso ou um plano do provedor que você conectar, ou um serviço local Ollama ou LM Studio, que em geral dispensa chave
Modelos
- O que as fontes dizem:
- A documentação descreve o download de modelos dentro do app e não cita nenhuma taxa; as licenças diferem por modelo
Nenhum preço foi informado em nenhuma moeda; os dados estruturados do site indicam preço de 0 USD para o app.
Fluxo de dados e privacidade
O README diz que a geração roda inteiramente na sua própria CPU ou GPU e que manuscritos, vozes de referência e criações nunca saem do computador, e o site repete «100% de privacidade offline». O documento de arquitetura acrescenta que, além dos downloads de modelos e runtimes e do compartilhamento na comunidade iniciado pelo usuário, o único uso de rede é o serviço de IA que você configurar; o README descreve à parte verificações de atualização em segundo plano no macOS e no Windows.
O assistente opcional envia o pedido que você digita e uma instrução fixa diretamente ao provedor que você escolher, e as chaves ficam no banco de dados local com permissões só para o proprietário. O compartilhamento na comunidade, adicionado na 0.8.0, envia um arquivo de áudio de prévia e um pacote de projeto depois de você entrar com uma conta leemysw, e os termos da comunidade dizem que o login registra a versão dos termos, o horário e o seu endereço de rede.
📌Nota: Estas são declarações do criador, não resultados de auditoria. A PromptQuorum não leu o código nem inspecionou o tráfego de rede do app, e, sem uma política de privacidade para ler, essas afirmações vêm apenas do README e da documentação.
Clonagem de voz, consentimento e licenças de modelos
A clonagem exige apenas uma gravação de referência, e o README e as páginas de documentação que lemos não descrevem nenhuma verificação de que a voz pertence ao usuário, então o consentimento é responsabilidade sua. Os termos da comunidade do criador proíbem compartilhar a voz de uma pessoa real sem o consentimento dela, incluindo clones de figuras públicas, atores e cantores, e a falsa identidade; esses termos regem a comunidade, não o uso privado do app.
- Consentimento e lei. Se clonar uma voz é lícito depende da pessoa, da finalidade e do país; esta análise não é aconselhamento jurídico, e a PromptQuorum não avaliou nenhuma jurisdição.
- As licenças dos modelos diferem. Segundo o README, os pesos de OmniVoice, YuE2, Breeze TTS 2, Voxtral 4B TTS e MuScriptor são restritos a uso não comercial, XTTS v2 e Drama 3 usam licenças próprias da Coqui e da Fish Audio, os modelos IndexTTS têm uma licença de modelo separada e o Stable Audio 3 é gratuito abaixo de 1 milhão de USD de receita anual pela Stability AI Community License. A licença Apache-2.0 cobre o app, não esses pesos.
- Regras de compartilhamento. Os termos da comunidade exigem informar com veracidade a origem de uma voz (a própria, a de outra pessoa com consentimento claro ou uma voz sintética) e escolher uma licença não comercial para obras de modelos que proíbem o uso comercial.
O que não conseguimos verificar
- Qualidade de saída e velocidade. A PromptQuorum não ouviu voz nem música, não mediu a velocidade de geração nem testou a precisão da clonagem de nenhum modelo; o site oferece amostras de áudio que não avaliamos.
- Maturidade do projeto. O repositório foi criado em 15 de setembro de 2026 e está publicado com o nome de um único desenvolvedor, então a manutenção a longo prazo é desconhecida.
- Retenção de tomadas. A seção Unreleased do registro de alterações diz que uma correção impede que a geração apague silenciosamente tomadas antigas após dez versões; não verificamos se a versão 0.8.0 se comporta assim, então guarde cópias das tomadas de que precisar.
- Cobertura de idiomas. Os idiomas de fala compatíveis dependem do modelo e as fontes não dão um número único; não testamos nenhum idioma.
- Assinatura dos instaladores. Não verificamos se os instaladores de macOS e Windows são notarizados ou assinados.
Concorrentes e alternativas
Voicebox
- Plataformas:
- macOS, Windows (Linux a partir do código)
- Preço / licença:
- Grátis / MIT
- Diferença principal:
- Clonagem de voz, texto em fala e ditado com Whisper com servidor MCP; a análise não cita geração de música nem partituras
Artigos sobre Voicebox (1)
- Voicebox Review: Open-Source Local Voice StudioAtualizado 26 de outubro de 2026
Também mencionado em:
- Univocal Review: Read-Aloud and Dictation on Your MacAtualizado 16 de novembro de 2026
XTTS v2
- Plataformas:
- macOS, Windows, Linux
- Preço / licença:
- Grátis / CPML
- Diferença principal:
- Um único modelo de clonagem usado como biblioteca, sem estúdio, música nem recursos de agente
Artigos sobre XTTS v2 (9)
- XTTS v2 Review: Multilingual Voice Cloning from 6 Seconds of AudioAtualizado 5 de setembro de 2026
- Best Local TTS Engine for an NVIDIA GPU Setup (2026)Atualizado 19 de novembro de 2026
- Local ElevenLabs Alternatives: Piper vs XTTS v2 (2026)Atualizado 19 de novembro de 2026
- Local TTS & Voice Cloning Licenses 2026: Which Engines Allow Commercial Use (Piper, XTTS v2, F5-TTS, Coqui)Atualizado 19 de novembro de 2026
- Best Local TTS Engine for Mac (2026): What Actually Uses Apple SiliconAtualizado 11 de setembro de 2026
- Best Local TTS Engine for Raspberry Pi (2026)Atualizado 11 de setembro de 2026
- Best TTS for Ollama (2026): Adding Voice Output to a Local LLM SetupAtualizado 11 de setembro de 2026
- Piper vs Chatterbox TTS (2026): Fast Local Speech or Voice Cloning?Atualizado 11 de setembro de 2026
- Piper vs Kokoro TTS (2026): Which Local Voice Engine Should You Use?Atualizado 11 de setembro de 2026
+6 mais não exibidos
Coqui TTS
- Plataformas:
- macOS, Windows, Linux
- Preço / licença:
- Grátis / MPL 2.0
- Diferença principal:
- Um kit de Python para executar modelos de texto em fala pelo código, não um estúdio de desktop
Artigos sobre Coqui TTS (6)
- Coqui TTS Review: The Community-Maintained Voice-Cloning ToolkitAtualizado 5 de setembro de 2026
- Local TTS & Voice Cloning Licenses 2026: Which Engines Allow Commercial Use (Piper, XTTS v2, F5-TTS, Coqui)Atualizado 19 de novembro de 2026
- Local Voice & Speech Tools Compared (2026): Text-to-Speech, Speech-to-Text and Voice AgentsAtualizado 13 de novembro de 2026
- Best Local TTS Engine for Raspberry Pi (2026)Atualizado 11 de setembro de 2026
- Bark TTS Review: Suno's MIT-Licensed Model for Laughter, Sighs, and SpeechAtualizado 6 de setembro de 2026
- XTTS v2 Review: Multilingual Voice Cloning from 6 Seconds of AudioAtualizado 5 de setembro de 2026
Também mencionado em:
- Best Local TTS Engine for an NVIDIA GPU Setup (2026)Atualizado 19 de novembro de 2026
- Build a Fully Offline Voice Assistant in 2026: Whisper + LLM + Piper (Step-by-Step)Atualizado 9 de novembro de 2026
- Willow Inference Server Review: Self-Hosted Whisper ASR and TTSAtualizado 19 de setembro de 2026
- Best Local TTS Engine for Mac (2026): What Actually Uses Apple SiliconAtualizado 11 de setembro de 2026
+3 mais não exibidos
Bark
- Plataformas:
- macOS, Windows, Linux
- Preço / licença:
- Grátis / MIT
- Diferença principal:
- Um modelo de texto em áudio usado pelo código, sem clonagem de voz própria segundo a análise
Artigos sobre Bark (7)
- Bark TTS Review: Suno's MIT-Licensed Model for Laughter, Sighs, and SpeechAtualizado 6 de setembro de 2026
- Best Local TTS Engine for an NVIDIA GPU Setup (2026)Atualizado 19 de novembro de 2026
- Local TTS & Voice Cloning Licenses 2026: Which Engines Allow Commercial Use (Piper, XTTS v2, F5-TTS, Coqui)Atualizado 19 de novembro de 2026
- Local Voice & Speech Tools Compared (2026): Text-to-Speech, Speech-to-Text and Voice AgentsAtualizado 13 de novembro de 2026
- Best Local TTS Engine for Mac (2026): What Actually Uses Apple SiliconAtualizado 11 de setembro de 2026
- Best TTS for Ollama (2026): Adding Voice Output to a Local LLM SetupAtualizado 11 de setembro de 2026
- StyleTTS 2 Review: Columbia's MIT-Licensed Research Model for Natural SpeechAtualizado 6 de setembro de 2026
Também mencionado em:
- Open-LLM-VTuber Review: Self-Hosted Voice Chat with a Live2D AvatarAtualizado 24 de outubro de 2026
- Willow Inference Server Review: Self-Hosted Whisper ASR and TTSAtualizado 19 de setembro de 2026
- Piper vs Kokoro TTS (2026): Which Local Voice Engine Should You Use?Atualizado 11 de setembro de 2026
+3 mais não exibidos
São apps da mesma categoria do diretório da PromptQuorum; confirme o preço, a licença e as plataformas atuais de cada app na própria página.
Perguntas frequentes
Posso usá-lo a partir de um script ou de um agente de IA?
Sim: a CLI funciona sem o app de desktop, e um Agent Skill instalável permite que um agente configure a CLI, o mecanismo e o modelo. O servidor e a API local do app usam um token bearer pré-configurado em vez de login OAuth, e a API local só é acessível a partir do mesmo computador.
Com qual modelo devo começar?
O guia de início sugere o Kokoro-82M para narração rápida ou o VoxCPM2 para clonagem, e a documentação diz que o Kokoro tem vozes integradas e não clona. Não comparamos a qualidade de saída.
Ele é compatível com o meu idioma?
A interface tem doze idiomas, mas a fala depende do modelo: segundo a documentação, o IndexTTS 2.5 acrescenta japonês, espanhol e árabe ao chinês e ao inglês, o XTTS v2 cobre 17 idiomas e o Audio8 TTS Realistic 11. Não testamos nenhum deles.
O assistente de IA pode rodar totalmente local?
Ele pode se conectar ao Ollama ou ao LM Studio no mesmo computador, segundo a documentação, que acrescenta que modelos maiores escrevem arranjos nitidamente melhores e que modelos locais pequenos podem falhar na verificação de formato.
As músicas compartilhadas incluem minhas vozes de referência?
Não: segundo os termos da comunidade e o documento de arquitetura, um pacote compartilhado contém o áudio, a letra e as configurações de geração daquela versão, mas não as vozes de referência, uma pessoa revisa cada obra antes de ela ser pública, e as obras compartilhadas podem ser excluídas nas configurações do app.
Veredicto
O YoVoice é uma forma jovem, mas ativamente desenvolvida e com Apache-2.0, de gerar voz, clonar vozes e fazer música com IA no seu próprio computador, com uma CLI e um servidor MCP que permitem que agentes o controlem. As afirmações sobre funcionamento offline vêm do README e da documentação, não de uma auditoria independente, o repositório tem apenas dois meses e um único desenvolvedor identificado, vários pesos de modelos proíbem o uso comercial e a versão para Mac cobre apenas Apple silicon. Serve para criadores e desenvolvedores que querem uma ferramenta de áudio local e gratuita e vão baixar arquivos de modelo grandes; quem precisa de qualidade de saída comprovada, clareza sobre o uso comercial de cada modelo ou uma política de dados verificada deve testá-lo e ler antes a licença de cada modelo.
Fontes
- Site do YoVoice — descrição, plataformas e downloads.
- Termos da comunidade do YoVoice — regras de compartilhamento, consentimento de voz, lei aplicável e dados armazenados, em vigor desde 12 de novembro de 2026.
- YoVoice no GitHub — README, licença Apache-2.0 e notas sobre licenças de modelos.
- Versão 0.8.0 do YoVoice — versão, data e arquivos de instalação.
- Guia de seleção de modelos — modelos, entradas, idiomas e tamanhos de arquivo.
- Guia do serviço de IA — provedores do assistente, armazenamento de chaves e limites.
- Guia de API e MCP — servidor, API local e ferramentas MCP.
- Guia da CLI — instalação da CLI e backends.
- Notas de arquitetura — processos, uso de rede e pasta de dados.
- Registro de alterações — mudanças da 0.8.0 e correções não lançadas.
