跳转到主要内容
PromptQuorum为人类设计。 为AI结构化。
主页/本地LLM进阶
Voice, Speech & Multimodal

Voicebox 评测：开源本地语音工作室

·阅读约7分钟Hans Kuepper 作者 · PromptQuorum创始人 · 开放权重与开源AI发现引擎

Voicebox（版本 0.5.0）是一款 MIT 许可的桌面应用，集声音克隆、文字转语音和 Whisper 听写于一体；来源称它把你的录音、声音档案和转写文本保留在你自己的电脑上。 它还运行本地 API 和 MCP 服务器，让 AI 代理用克隆的声音说话；本文所有说法均来自开发方的官网、文档和 GitHub 仓库。

关键要点

  • 维护情况：主分支最近一次更改在 2026年10月7日，因此不适用停更警告；最新的带标签发布版本 0.5.0 发布于 2026年4月25日。
  • 费用：本地应用免费；可选的付费云备份已宣布，但尚未发布。
  • 引擎：README 列出八个文字转语音引擎，转写使用 Whisper。
  • 平台：提供 macOS 和 Windows 安装包；Linux 需要从源码构建。
  • 运营方：Spacedrive Technology Inc.；代码以 MIT 许可开源。

📍 简单一句话

Voicebox 是一款开源桌面应用，可克隆声音、用本地引擎生成语音、用 Whisper 听写，并通过 MCP 服务器让 AI 代理开口说话。

💬 简单来说

可以把它想成一个录音棚加一个语音键盘合二为一的程序，一切在你自己的机器上运行，而不是依赖订阅服务。

📌注: 本评测基于 voicebox.sh、隐私政策、文档和 GitHub 仓库（2026年10月26日查阅）。PromptQuorum 没有安装或计时测试这款应用，因此未评估语音质量和速度。

选择语言:
🇺🇸en🇩🇪de🇫🇷fr🇯🇵ja🇨🇳zh🇪🇸es🇧🇷pt🇸🇦ar🇰🇷ko

Voicebox 是一款开源桌面应用：可克隆声音，用多个本地引擎把文字转成语音，用 Whisper 在任何应用中听写，还能让 AI 代理通过 MCP 服务器开口说话。据其介绍，一切都在你自己的电脑上运行，下载免费。本评测基于官网、隐私政策、定价页、文档和 GitHub 仓库（2026年10月26日查阅）；PromptQuorum 没有实际测试过这款应用。

Voicebox 评测：开源本地语音工作室

Voicebox 是什么？

Voicebox 是一个本地优先的语音工作室，覆盖语音的两个方向：它用克隆或预设的声音把文字朗读出来，也能听你说话、转写并粘贴。 README 称它是把 ElevenLabs 和 WisprFlow 的免费开源替代品合为一体的应用，官网则称它完全在你的机器上运行。

该应用以 Tauri（Rust）围绕 Python FastAPI 后端构建，官网将 Spacedrive Technology Inc. 列为运营方。 版本 0.5.0 在发布说明中被称为“Capture release”，新增了听写、声音个性和 MCP 服务器。官网上显示的“v0.2.0”是演示截图里的标签，不是发布版本号。

获取方式

Voicebox 提供 macOS 和 Windows 下载；Linux 没有预编译的二进制文件，必须从源码构建，README 还给出了 Docker 方式。

选项
获取方式
macOS.dmg（Apple silicon、Intel）：voicebox.sh/download
Windows.msi 或 .exe 安装程序（x64）：voicebox.sh/download
Linux从源码构建：voicebox.sh/linux-install
Docker在仓库中运行 docker compose up（README）
官方网站voicebox.sh
隐私政策voicebox.sh/privacy
源代码github.com/jamiepine/voicebox，MIT 许可证

评测版本：0.5.0，据 GitHub Releases 页面 于 2026年4月25日发布，该页面列出了 macOS 和 Windows 安装包；主分支最新的更改在 2026年10月7日。套餐见“套餐”一节。

运行要求

来源没有给出最低内存、磁盘或操作系统版本要求；真正吃资源的是单独下载的语音和语言模型。

操作系统

来源说明:
提供 macOS（Apple silicon 和 Intel）与 Windows x64 安装包；Linux 需从源码构建；未给出操作系统最低版本

硬件加速

来源说明:
Apple silicon 上用 MLX，NVIDIA 显卡上用 CUDA，Linux 下 AMD 用 ROCm，Windows 上用 DirectML 和 Intel Arc，另有各处都能用但较慢的 CPU 回退

最轻量的引擎

来源说明:
LuxTTS 约需 1 GB 显存，Kokoro 是面向快速 CPU 运行的 8200 万参数模型；README 没有给出较大引擎的数值

模型

来源说明:
引擎、Whisper 各尺寸和内置的 Qwen3 语言模型（0.6B、1.7B 或 4B）都在应用内下载；来源没有给出总下载大小

权限

来源说明:
快捷键和自动粘贴需要 macOS 的辅助功能和输入监控权限；没有辅助功能权限时，听写仍会保存转写文本，只是粘贴这一步无法使用

网络

来源说明:
下载模型时需要；官网称之后生成和文字整理都在本机运行

硬件加速后端以 README 所列为准；PromptQuorum 没有检查安装包中实际包含哪些组合。

来源已证实的功能

以下内容均来自官网、文档或 README，均未经独立测试。

  • 声音克隆与预设。 用一小段参考音频进行零样本克隆，另可通过 Kokoro 和 Qwen CustomVoice 使用预设声音；README 列出八个引擎和 23 种语言，其中 Chatterbox Multilingual 的语言覆盖最广。
  • 富有表现力的语音与效果。 Chatterbox Turbo 能读懂 [laugh]、[sigh] 等标签，生成后还可套用 Spotify pedalboard 库的八种后期处理效果。
  • 长文本与故事。 长脚本按句子边界切分并交叉淡入淡出，最多 50,000 个字符，多轨时间线可把多个声音编排成一个故事。
  • 听写与录音记录。 全局快捷键用 Whisper 或 Whisper Turbo 转写，并在 macOS 上粘贴到当前输入框；每条录音及其转写文本都保存在“Captures”标签页中。
  • 代理与 API。 17493 端口上的本地 REST API 和带四个工具的 MCP 服务器，让 Claude Code、Cursor、Windsurf 或 Cline 用绑定到各客户端的声音说话。

套餐

本地应用免费且无需账户，定价页列出的付费 Cloud 和 Studio 套餐均标注为“coming soon”（即将推出）。 所有数字均为定价页上的美元价格，页面称这些价格并非最终定价。

Local

定价页所列内容:
$0，无需账户：所有引擎的声音克隆、听写与录音记录、MCP 与代理集成、声音个性、本地生成不限量

Cloud

定价页所列内容:
推出时每年 $12：端到端加密备份与同步、25 GB 存储、最多 5 台设备、30 天版本历史

Studio

定价页所列内容:
每年 $48，标注为占位价格：包含 Cloud，另加 250 GB 存储、设备不限量、一年版本历史、优先支持

数字为 2026年10月26日所见；未核对其他货币或地区价格，且不含税费。

数据流向与隐私

隐私政策（最近更新于 2026年7月6日）称，桌面应用不会向运营方传输你的录音、声音档案、转写文本、生成内容或设置，并且没有为该应用描述任何遥测或分析。 官网补充说，模型、音频、转写文本和语言模型输出不会离开本机，本地 API 默认监听 127.0.0.1。

可选的云备份被描述为在上传前于你的设备上进行端到端加密，因此服务器只能看到账户邮箱、对象数量和大小、哈希值、同步计数器和时间戳。政策还涉及一项 Voice ID 功能，它会存储加密的声纹，并提醒发布的音频片段是公开的；付款通过 Stripe 或加密货币完成。官网提到“Local or Remote”选项，可连接到另一台机器上的后端，但它没有说明这与“完全在你的机器上”这一说法如何协调。

📌注: 以上是开发方的声明，不是审计结果。代码以 MIT 许可公开，但 PromptQuorum 没有阅读代码，也没有检查应用的网络流量，且政策没有涉及网站分析。

我们未能核实的内容

  • 语音质量和速度。 PromptQuorum 没有试听输出、测量实时率，也没有在任何引擎上测试克隆的准确度。
  • 模型许可证。 MIT 许可证只涵盖 Voicebox 的代码；每个语音模型有各自的条款，近期一条提交说明称新加入的 OmniVoice 引擎使用非商业权重。我们没有检查任何模型的许可证。
  • 引擎数量。 README 列出八个引擎（含 Qwen VoiceDesign），而官网列出七个；我们无法判断哪个是最新的。
  • 发布节奏。 最新的带标签发布版本是 2026年4月的，而主分支在 10 月仍有更改，因此安装包是否包含最新引擎并不清楚。
  • 安装包签名。 未检查 macOS 和 Windows 安装包是否经过公证或代码签名。

竞品与替代方案

XTTS v2

平台:
macOS、Windows、Linux
价格 / 许可证:
免费 / CPML
主要区别:
以库的形式使用的单一克隆模型，没有应用界面、听写或代理功能
关于XTTS v2的文章（10篇）

另有5篇未显示

Coqui TTS

平台:
macOS、Windows、Linux
价格 / 许可证:
免费 / MPL 2.0
主要区别:
通过代码运行文字转语音模型的 Python 工具包，而非桌面工作室
关于Coqui TTS的文章（6篇）

其他提及：

另有3篇未显示

Handy

平台:
macOS、Windows、Linux
价格 / 许可证:
免费 / MIT
主要区别:
仅限听写：没有语音生成、声音克隆或代理语音输出
关于Handy的文章（2篇）

其他提及：

另有5篇未显示

OpenWhispr

平台:
macOS、Windows、Linux、iOS
价格 / 许可证:
免费增值 / MIT
主要区别:
使用本地或云端模型的听写和会议笔记，没有文字转语音
关于OpenWhispr的文章（1篇）

这些是 PromptQuorum 目录中同类别的应用；请在各应用页面确认其当前价格、许可证和平台。

在目录中比较

常见问题

我应该先用哪个引擎？

README 将 Kokoro 描述为只有 8200 万参数的小模型，带 50 种预设声音，CPU 运行很快；将 Chatterbox Multilingual 描述为语言覆盖最广的引擎，因此只有 CPU 的机器适合选 Kokoro。我们没有比较输出质量。

AI 代理真的能通过它说话吗？

README 称，任何支持 MCP 的代理都可以调用 speak 工具，并在“设置”中为每个客户端绑定声音；不支持 MCP 的工具可使用普通 HTTP 端点。代理说话时，屏幕上会显示一个提示条。

听写在 Windows 和 Linux 上能用吗？

听写和 Captures 标签页被描述为适用于所有平台，但 README 将 Windows 和 Linux 上的自动粘贴列为路线图项目，因此只有 macOS 上粘贴到当前输入框得到了确认。

内置的语言模型有什么用？

本地的 Qwen3 模型会清理转写文本中的口头禅，并在朗读前按声音档案的个性改写文字；README 列出了三种尺寸：0.6B、1.7B 和 4B。

Voicebox Cloud 已经可用了吗？

没有：官网将 Cloud 标注为“coming soon”并提供通知链接，定价页称其价格和限额并非最终。本地应用不需要它。

结论

Voicebox 是一款开发活跃、MIT 许可的工具，可在你自己的电脑上克隆声音、生成语音和听写，并提供让代理开口说话的 API 和 MCP 服务器。就免费的本地应用而言，隐私声明相当有力，但它们是开发方的说法；最新的带标签发布版本是 4 月的，而代码一直更新到 10 月，Linux 需要从源码构建，自动粘贴也只在 macOS 上得到确认。适合想要一个免费本地语音工具、并愿意下载多个大型模型的创作者和开发者；需要经证实的语音质量、每个模型的商用许可清晰度或顺畅的 Linux 安装的用户，应先试用并阅读各模型的许可证。

来源

← 返回 本地LLM进阶

MCP