VoiceStudio：把 ElevenLabs 搬回本机的开源语音工作台

给视频配音、做有声书，云端语音工具顺手是真顺手，可按字符计费、音频要上传、API 有额度，量一大就难受。开源项目 VoiceStudio 把这套工作台整个搬回本机：声音克隆、虚拟音色设计、视频配音、全局听写、批量转写、有声书制作，全部装进一个 Electron 应用，核心处理在本机完成，音频和音色档案默认留在你的硬盘上。它的底座是一个引擎矩阵——17 套语音合成引擎、9 套转写引擎随装随切，默认引擎是 k2-fsa/OmniVoice，全部引擎合计覆盖 646 种语言变体。公众号「AI开源求索」10 月 6 日推荐了它：仓库今年 4 月开源，查于 2026-10-06 已有 53,811 星、3,827 次提交，最新版 v0.5.6。

核心功能

VoiceStudio 把语音能力拆成几个工作区，每个都对齐一条真实生产线。

• 零样本克隆：3–10 秒干净单人参考音频就能克隆音色，官方引擎指南写明这是支持区间，超过 20 秒的素材会被 clone_ref_too_long 直接拒绝；克隆好的音色存进本地档案库，可导出 .ovsvoice 音色包换机迁移。
• 文字造声：用自然语言描述性别、年龄、口音、语速、情绪，直接生成一个不存在的声音，批量配角配音不用再找真人样本。
• 视频配音流水线：导入视频或链接后自动走完转写、说话人分离、翻译、按角色分配克隆音色、合成的全链路，保留原片背景音只替换人声，支持批量队列。

• 听写与转写：系统级悬浮听写，全局快捷键说完即转、直接粘进光标处；音频视频文件批量转写，输出带时间戳的文稿；另有人声分离和说话人分离。
• 引擎矩阵：17 套 TTS、9 套转写引擎在模型面板里按需安装卸载，NVIDIA CUDA 和 Apple M 系列 MPS 加速，纯 CPU 也能跑（精简版 PyTorch 约 5 GB 磁盘）。

• 给 Agent 的接口：本地服务开在 3900 端口，提供 OpenAI 兼容转写端点、WebSocket 流式接口，MCP 有 HTTP 和 stdio 两种接入，Claude Code、Codex、Pi 都能直接调用本机语音工具。

典型使用场景

• 课程与视频批量配音：讲师把整季课程的旁白排队合成，或者给已有视频换一种语言的配音，一次跑完。
• 有声书与故事：导入 EPUB、PDF 长文自动分章节，剧本模式逐行给角色分配音色，导出带章节标记的 m4b；只想要电子书转音频这一步，可以看更轻的 ebook2audiobook。
• 出不了门的音频：采访素材、客户录音这类不便上云的文件，转写和克隆全程不出本机。

快速上手

macOS 和 Linux 一条命令安装：

curl -fsSL https://voicestudio.sh/install | sh

Windows 在 PowerShell 里跑 irm https://voicestudio.sh/install | iex，或者从 Releases 下载 .dmg、.exe、.AppImage、.deb 安装包。装完打开 Voice cloning 工作区，用内置演示音色或传一段 3–10 秒参考音频，输入文本点 Synthesize audio 就能听到第一段成品。把安装交给 Agent 也行：把官方安装指南链接粘给 Claude Code 或 Cursor，或者跑 npx skills add debpalash/VoiceStudio。Intel Mac 只能跑 UI 连远程后端；还在用老 Tauri 版的用户要按迁移文档另装 Electron 版。

小结

VoiceStudio 适合配音量大、在意隐私或不想续费云端的创作者和 Agent 开发者；只想开个网页输入文字就出音频、或硬盘放不下模型文件的人，它就太重了。许可要看两层：应用本体是 AGPL-3.0，改完拿去对外提供网络服务必须开源修改；默认 OmniVoice 引擎的预训练权重是 CC-BY-NC，禁止商用，商用前逐个核对你所用引擎的模型许可。还有一条底线：克隆别人的声音，先拿到本人同意。项目 2026-04-09 创建，最新版 v0.5.6 发布于 9 月 23 日，累计 3,827 次提交、最近一次推送就在昨天，迭代很勤。想要更轻的本地语音工作台，可以看 yovoice——同样本地优先的配音创作工具。