Pular para o conteúdo principal
PromptQuorumFeito para humanos. Estruturado para IA.
Início/LLMs locais avançados
Voice, Speech & Multimodal

Análise do YoVoice: estúdio local de clonagem de voz e música

·7 min de leituraPor · Fundador do PromptQuorum · Mecanismo de descoberta de IA de pesos abertos e código aberto

O YoVoice (versão 0.8.0) é um estúdio de desktop com Apache-2.0 que reúne texto em fala, clonagem de voz, geração de músicas com IA e criação de partituras, e o criador afirma que a geração roda offline no seu próprio computador. Ele também traz uma CLI, uma API HTTP local e um servidor MCP para agentes, e cada afirmação desta análise vem do site do criador, da documentação e do repositório do GitHub.

Principais conclusões

  • Manutenção: o ramo principal foi alterado pela última vez em 17 de novembro de 2026 e a versão 0.8.0 foi publicada em 15 de novembro de 2026, portanto não se aplica aviso de projeto abandonado.
  • Custo: gratuito sob a licença Apache-2.0, sem plano pago encontrado; muitos pesos de modelos baixáveis têm termos próprios.
  • Modelos: segundo o README, todos os modelos de voz, música e transcrição são baixados dentro do app ou com a CLI.
  • Plataformas: instaladores para macOS, Windows e Linux, além de um arquivo CLI independente para cada um.
  • Criador: um desenvolvedor individual, leemysw; nenhum aviso legal de empresa encontrado.

📍 Em uma frase

O YoVoice é um estúdio de desktop de código aberto que transforma texto em fala, clona e cria vozes, gera músicas e partituras com modelos locais e oferece a agentes de IA uma CLI, uma API e um servidor MCP.

💬 Em termos simples

Pense nele como uma cabine de locução e um pequeno estúdio de música em um só programa, com o trabalho feito na sua própria máquina em vez de um serviço por assinatura.

📌Nota: Esta análise se baseia em yovoice.leemysw.com, no repositório do GitHub, na documentação e na página de versões, consultados em 17 de novembro de 2026. A PromptQuorum não instalou nem executou o app, portanto a qualidade da voz, a qualidade da música e a velocidade não são avaliadas.

O YoVoice (escrito «yovoice» pelo seu criador) é um estúdio de desktop de código aberto que gera voz, clona e cria vozes, e compõe músicas e partituras com modelos executados no seu próprio computador. Ele também oferece uma linha de comando, uma API HTTP e um servidor MCP para agentes de IA, e o app é gratuito sob a licença Apache-2.0. Esta análise se baseia no site, no repositório do GitHub, na documentação e na página de versões, consultados em 17 de novembro de 2026; a PromptQuorum não testou o app na prática.

Análise do YoVoice: estúdio local de clonagem de voz e música

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
WindowsInstalador .exe para x64, com variantes CUDA 12.4 e 13.3: GitHub Releases
Linux.deb (Debian/Ubuntu) ou .tar.gz para x64: GitHub Releases
CLIZip independente por sistema: guia da CLI
Siteyovoice.leemysw.com
Política de privacidadeNenhuma encontrada; existem apenas os termos da comunidade
Código-fontegithub.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)

Também mencionado em:

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)

+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)

Também mencionado em:

+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)

Também mencionado em:

+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.

Comparar no diretório

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

← Voltar para LLMs locais avançados

MCP