YoVoice 是什么?
YoVoice 是一款本地优先的音频工作室:它把文本转为语音,设计或克隆声音,生成歌曲和纯音乐,并编排多轨配乐,所用模型由您下载并在自己的电脑上运行。 README 称其为面向 macOS、Windows 和 Linux 的开源工作室;项目名称写作“yovoice”,官网以中文为主,另有英文版。
推理引擎是 ShugoAI 的原生 C++ 引擎 audio.cpp,因此 README 称无需配置 Python 或 Conda。 据更新日志,0.8.0 版新增了向社区分享歌曲、可自定义的键盘快捷键、六种主题和新的语音识别模型。
获取方式
YoVoice 提供 macOS(Apple silicon)、Windows 和 Linux 下载,安装方式与普通应用相同;另有独立的 CLI 压缩包,桌面应用无需使用终端。
选项 | 获取方式 |
|---|---|
| macOS | 适用于 Apple silicon 的 .dmg,需 macOS 14 或更高:GitHub Releases |
| Windows | x64 安装程序 .exe,另有 CUDA 12.4 和 13.3 版本:GitHub Releases |
| Linux | x64 的 .deb(Debian/Ubuntu)或 .tar.gz:GitHub Releases |
| CLI | 各系统独立 zip:CLI 指南 |
| 官网 | yovoice.leemysw.com |
| 隐私政策 | 未找到;仅有社区条款 |
| 源代码 | github.com/leemysw/yovoice,Apache-2.0 许可证 |
评测版本:0.8.0,据 GitHub 发布页面发布于 2026年11月15日;主分支最新一次变更为 2026年11月17日。GitHub 只是这些安装包的分发渠道,模型需在应用内另行下载。
运行要求
来源未给出最低 RAM、VRAM 或磁盘空间要求;吃资源的是需要另行下载的模型,它们的体积差别很大。
操作系统
- 来源所述:
- Apple silicon 上的 macOS 14 或更高、Windows 10/11 x64、Linux x64;Windows 安装程序按需获取 WebView2 运行时,Linux 需要 WebKitGTK 4.1(.deb 会自动安装)
加速
- 来源所述:
- macOS 使用 Metal;Windows 的 CUDA 12.4 和 13.3 安装包内置面向 NVIDIA GPU 的运行时;Linux 默认在 CPU 上运行,可在设置中下载 Vulkan GPU 运行时
内存与 VRAM
- 来源所述:
- 取决于模型;文档列出各模型的文件大小,例如 IndexTTS 2.5 的 Q8 为 3.50 GB,并建议为 Breeze TTS 2 配备 GPU
模型
- 来源所述:
- 在应用内或通过 CLI 下载,支持暂停和继续;来源未给出下载总大小
数据文件夹
- 来源所述:
- 默认为 ~/.yovoice,可在设置中移动;卸载应用会保留它
互联网
- 来源所述:
- 下载模型和运行时需要联网;文档称安装引擎和模型后,生成可以离线进行
后端以 README 和 CLI 指南的列举为准;PromptQuorum 没有核实哪些模型能在哪种后端上运行。
来源已证实的功能
以下各项均来自 README、文档或更新日志;没有任何一项经过独立测试。
- 语音、声音设计与克隆。 从参考录音克隆声音,根据文字描述设计声音,并调整情绪和表达;模型列表包括 IndexTTS 2.0 和 2.5、VoxCPM2、Qwen3-TTS、XTTS v2 和 Kokoro。
- 故事配音。 导入文本或字幕文件,为每一行指定角色并逐行生成,每行可保留多个版本进行对比。
- 音乐与配乐。 通过 ACE-Step 1.5 或 YuE2 生成带歌词的歌曲和纯音乐,通过 Stable Audio 3 生成纯音乐和音效,把歌曲分离为六条分轨,并编排 General MIDI 配乐,可导出 MIDI 和分轨。
- 转写。 把音频或视频转为带时间戳的字幕行,导出为 SRT 或 WebVTT,使用 Qwen3 ASR、Parakeet 等模型。
- 智能体与 API。 可安装的 Agent Skill 和 CLI,通过
yovoice serve提供带认证并含 MCP 端点的 HTTP API,桌面应用内位于 127.0.0.1 的本地 API,以及可选的助手面板,支持 DeepSeek、Qwen、OpenAI、Anthropic、Ollama 和 LM Studio 等服务。 - 界面。 12 种界面语言、六种主题和可编辑的键盘快捷键。
费用
应用在 Apache-2.0 许可证下免费,官网和仓库都没有列出付费方案、试用或订阅。
应用
- 来源所述:
- 免费;只有社区分享被说明需要账号
AI 助手
- 来源所述:
- 可选;按量付费的 API 或您所连接服务商的套餐,也可用通常无需密钥的本地 Ollama 或 LM Studio 服务
模型
- 来源所述:
- 文档说明可在应用内下载模型,未提及费用;各模型的许可证不同
来源未以任何货币标明价格;官网的结构化数据给出该应用的价格为 0 USD。
数据流向与隐私
README 称生成完全在您自己的 CPU 或 GPU 上运行,稿件、参考声音和作品永远不会离开电脑,官网也重复了“100% 离线隐私”的说法。 架构文档补充说,除了模型和运行时下载以及用户主动发起的社区分享外,唯一的联网用途是您自己配置的 AI 服务;README 另外提到 macOS 和 Windows 上的后台更新检查。
可选的助手会把您输入的请求和一条固定指令直接发送给您所选的服务商,密钥以仅限所有者的权限保存在本地数据库中。0.8.0 新增的社区分享在您用 leemysw 账号登录后,会上传一个预览音频文件和一个项目包,社区条款称登录会记录条款版本、时间和您的网络地址。
📌注: 这些是开发者的声明,不是审计结果。PromptQuorum 没有阅读代码,也没有检查应用的网络流量;由于没有可阅读的隐私政策,这些说法仅来自 README 和文档。
声音克隆、同意与模型许可证
克隆只需要一段参考录音,而我们阅读的 README 和文档页面没有描述任何核实声音是否属于用户的机制,因此同意问题由您自己负责。 开发者的社区条款禁止未经同意分享真实人物的声音,包括公众人物、演员和歌手的克隆声音,也禁止冒充;这些条款约束的是社区,而不是应用的个人使用。
- 同意与法律。 克隆声音是否合法取决于当事人、用途和所在国家;本评测不构成法律意见,PromptQuorum 也没有评估任何法域。
- 模型许可证各不相同。 README 称 OmniVoice、YuE2、Breeze TTS 2、Voxtral 4B TTS 和 MuScriptor 的权重仅限非商业使用,XTTS v2 和 Drama 3 使用 Coqui 与 Fish Audio 各自的许可证,IndexTTS 模型另有单独的模型许可证,Stable Audio 3 在年收入低于 100 万美元时可依 Stability AI Community License 免费使用。Apache-2.0 许可证适用于应用,不适用于这些权重。
- 分享规则。 社区条款要求分享者如实说明声音来源(自己的声音、经明确同意的他人声音,或合成声音),并为来自禁止商用模型的作品选择非商业许可证。
我们未能核实的内容
- 输出质量与速度。 PromptQuorum 没有听过语音或音乐,没有测量生成速度,也没有测试任何模型的克隆准确度;官网提供音频示例,但我们没有评估。
- 项目成熟度。 仓库创建于 2026年9月15日,以个人开发者的名义发布,因此长期维护情况未知。
- 版本保留。 更新日志的 Unreleased 部分称,一项修复可防止生成在超过十个版本后悄悄删除较早的版本;我们没有核实 0.8.0 是否有这种行为,因此请为需要的版本保留副本。
- 语言覆盖。 支持的语音语言取决于模型,来源没有给出统一数字;我们没有测试任何语言。
- 安装包签名。 我们没有核实 macOS 和 Windows 安装包是否经过公证或代码签名。
竞品与替代方案
Voicebox
- 平台:
- macOS、Windows(Linux 需源码构建)
- 价格 / 许可证:
- 免费 / MIT
- 主要区别:
- 声音克隆、语音合成和 Whisper 听写,带 MCP 服务器;其评测未列出音乐生成或配乐创作
关于Voicebox的文章(1篇)
- Voicebox Review: Open-Source Local Voice Studio更新于 2026年10月26日
其他提及:
- Univocal Review: Read-Aloud and Dictation on Your Mac更新于 2026年11月16日
XTTS v2
- 平台:
- macOS、Windows、Linux
- 价格 / 许可证:
- 免费 / CPML
- 主要区别:
- 作为库使用的单一克隆模型,没有工作室、音乐或智能体功能
关于XTTS v2的文章(9篇)
- XTTS v2 Review: Multilingual Voice Cloning from 6 Seconds of Audio更新于 2026年9月5日
- Best Local TTS Engine for an NVIDIA GPU Setup (2026)更新于 2026年11月19日
- Local ElevenLabs Alternatives: Piper vs XTTS v2 (2026)更新于 2026年11月19日
- Local TTS & Voice Cloning Licenses 2026: Which Engines Allow Commercial Use (Piper, XTTS v2, F5-TTS, Coqui)更新于 2026年11月19日
- Best Local TTS Engine for Mac (2026): What Actually Uses Apple Silicon更新于 2026年9月11日
- Best Local TTS Engine for Raspberry Pi (2026)更新于 2026年9月11日
- Best TTS for Ollama (2026): Adding Voice Output to a Local LLM Setup更新于 2026年9月11日
- Piper vs Chatterbox TTS (2026): Fast Local Speech or Voice Cloning?更新于 2026年9月11日
- Piper vs Kokoro TTS (2026): Which Local Voice Engine Should You Use?更新于 2026年9月11日
另有6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:
- 通过代码运行语音合成模型的 Python 工具包,不是桌面工作室
关于Coqui TTS的文章(6篇)
- Coqui TTS Review: The Community-Maintained Voice-Cloning Toolkit更新于 2026年9月5日
- Local TTS & Voice Cloning Licenses 2026: Which Engines Allow Commercial Use (Piper, XTTS v2, F5-TTS, Coqui)更新于 2026年11月19日
- Local Voice & Speech Tools Compared (2026): Text-to-Speech, Speech-to-Text and Voice Agents更新于 2026年11月13日
- Best Local TTS Engine for Raspberry Pi (2026)更新于 2026年9月11日
- Bark TTS Review: Suno's MIT-Licensed Model for Laughter, Sighs, and Speech更新于 2026年9月6日
- XTTS v2 Review: Multilingual Voice Cloning from 6 Seconds of Audio更新于 2026年9月5日
其他提及:
- Best Local TTS Engine for an NVIDIA GPU Setup (2026)更新于 2026年11月19日
- Build a Fully Offline Voice Assistant in 2026: Whisper + LLM + Piper (Step-by-Step)更新于 2026年11月9日
- Willow Inference Server Review: Self-Hosted Whisper ASR and TTS更新于 2026年9月19日
- Best Local TTS Engine for Mac (2026): What Actually Uses Apple Silicon更新于 2026年9月11日
另有3篇未显示
Bark
- 平台:
- macOS、Windows、Linux
- 价格 / 许可证:
- 免费 / MIT
- 主要区别:
- 通过代码使用的文本转音频模型,据其评测没有自带的声音克隆
关于Bark的文章(7篇)
- Bark TTS Review: Suno's MIT-Licensed Model for Laughter, Sighs, and Speech更新于 2026年9月6日
- Best Local TTS Engine for an NVIDIA GPU Setup (2026)更新于 2026年11月19日
- Local TTS & Voice Cloning Licenses 2026: Which Engines Allow Commercial Use (Piper, XTTS v2, F5-TTS, Coqui)更新于 2026年11月19日
- Local Voice & Speech Tools Compared (2026): Text-to-Speech, Speech-to-Text and Voice Agents更新于 2026年11月13日
- Best Local TTS Engine for Mac (2026): What Actually Uses Apple Silicon更新于 2026年9月11日
- Best TTS for Ollama (2026): Adding Voice Output to a Local LLM Setup更新于 2026年9月11日
- StyleTTS 2 Review: Columbia's MIT-Licensed Research Model for Natural Speech更新于 2026年9月6日
其他提及:
- Open-LLM-VTuber Review: Self-Hosted Voice Chat with a Live2D Avatar更新于 2026年10月24日
- Willow Inference Server Review: Self-Hosted Whisper ASR and TTS更新于 2026年9月19日
- Piper vs Kokoro TTS (2026): Which Local Voice Engine Should You Use?更新于 2026年9月11日
另有3篇未显示
这些是 PromptQuorum 目录中同类别的应用;请在各应用自己的页面上确认其当前价格、许可证和平台。
常见问题
可以通过脚本或 AI 智能体运行吗?
可以:CLI 无需桌面应用即可使用,可安装的 Agent Skill 能让智能体自行设置 CLI、引擎和模型。服务器和应用内的本地 API 使用预先配置的 Bearer 令牌而非 OAuth 登录,本地 API 只能从同一台电脑访问。
我应该从哪个模型开始?
快速入门建议用 Kokoro-82M 做快速旁白,用 VoxCPM2 做克隆;文档称 Kokoro 自带内置声音,不支持克隆。我们没有比较输出质量。
它支持我的语言吗?
界面有 12 种语言,但语音取决于模型:据文档,IndexTTS 2.5 在中文和英文之外增加了日语、西班牙语和阿拉伯语,XTTS v2 覆盖 17 种语言,Audio8 TTS Realistic 覆盖 11 种。我们都没有测试过。
AI 助手可以完全在本地运行吗?
据文档,它可以连接同一台电脑上的 Ollama 或 LM Studio;文档还补充说,较大的模型写出的编排明显更好,小型本地模型可能无法通过格式检查。
分享的歌曲会包含我的参考声音吗?
不会:据社区条款和架构文档,分享的包只含该版本的音频、歌词和生成设置,不含参考声音,每个作品公开前都由人工审核,已分享的作品可在应用设置中删除。
结论
YoVoice 是一个年轻但开发活跃的 Apache-2.0 工具,可在您自己的电脑上生成语音、克隆声音和制作 AI 音乐,并通过 CLI 和 MCP 服务器让智能体来操作。它关于离线运行的说法来自 README 和文档,而非独立审计;仓库只有两个月,以个人开发者的名义发布,多个模型权重禁止商用,Mac 版本只覆盖 Apple silicon。它适合想要一款免费本地音频工具、愿意下载大体积模型文件的创作者和开发者;需要经过验证的输出质量、每个模型明确的商用许可,或经核实的数据政策的人,应先测试,并先阅读各模型的许可证。
来源
- YoVoice 官网 — 简介、平台和下载。
- YoVoice 社区条款 — 分享规则、声音同意、适用法律和存储的数据,2026年11月12日起生效。
- GitHub 上的 YoVoice — README、Apache-2.0 许可证和模型许可证说明。
- YoVoice 0.8.0 发布页 — 版本、日期和安装文件。
- 模型选择指南 — 模型、输入、语言和文件大小。
- AI 服务指南 — 助手服务商、密钥存储和限制。
- API 与 MCP 指南 — 服务器、本地 API 和 MCP 工具。
- CLI 指南 — CLI 安装和后端。
- 架构说明 — 进程、网络使用和数据文件夹。
- 更新日志 — 0.8.0 的变更和未发布的修复。
