jamiepine/voicebox

它是什么

Voicebox 是一个开源的 AI 语音工作室，集语音克隆、听写转录与语音生成于一体。基于 TypeScript 构建，支持 CUDA 与 Apple MLX 双后端，MIT 协议开源。

核心亮点

• 三合一工作流：克隆音色、语音转文字、文字转语音在同一界面完成
• 多引擎驱动：集成 Qwen3-TTS 与 Whisper，兼顾合成质量与识别精度
• 本地优先：支持 CUDA / MLX 本地推理，数据不出设备
• 现代化 UI：Qwen3-TTS 可视化界面，开箱即用

为什么火

5.4 万 Star、单日新增 400+，踩中了「开源 ElevenLabs 替代」的强需求。语音克隆长期被闭源 SaaS 垄断，Voicebox 把模型、UI、推理后端一次性打包，且 MIT 协议商用友好，开发者迁移成本极低。

适合谁用

播客与视频创作者、需要批量配音的内容团队、做语音 Agent 的开发者，以及关注隐私、希望本地部署语音能力的个人用户。

快速上手

git clone https://github.com/jamiepine/voicebox
cd voicebox && pnpm install
pnpm dev

首次运行会自动拉取模型权重，建议配备 NVIDIA GPU 或 Apple Silicon 设备。