yovoice：把配音工作台整个搬到本地的开源语音创作工具

给视频配一段旁白，最常见的路径是把文稿粘进某个云端 TTS 服务：按字计费，音色千人一面，文稿还要先传到别人服务器上。yovoice 走的是另一条路——这个 Apache-2.0 开源工具把 7 个 TTS 模型经 audio.cpp 引擎在本地运行，配音、旁白、有声内容全程不出本机。视频号「对齐观察」在 2026 年 9 月 27 日的视频里推荐过它。项目 2026 年 9 月 15 日才创建，12 天已接近 200 星（截至 2026-09-27 为 194 星），当前版本 0.1.4。

核心功能

• 声音克隆：1-60 秒参考音频就能复刻音色；IndexTTS 2.0/2.5 支持情感控制和「匹配参考语气」，2.5 还能直接编辑发音。
• 用文字造声音：VoxCPM2 和 Qwen3-TTS VoiceDesign 支持文本引导的声音设计，一句描述（低沉、语速慢）就能生成新音色，不需要参考音频。
• 7 个本地模型：IndexTTS 2.0/2.5、VoxCPM2、OmniVoice、Qwen3-TTS Base/CustomVoice/VoiceDesign，全部经 audio.cpp 本地推理，模型支持断点续传下载和 GGUF 导入。
• 完整音频工作流：导入或录制参考音频、剪辑、试听、导出都在应用里完成；项目、声音和设置存在 ~/.yovoice，卸载不丢数据。
• CLI + Agent Skill：把仓库里的 skills/yovoice 链接交给 Claude Code、Codex 这类智能体，装好后直接说「用 voice.wav 当参考音色，平静地读 narration.txt，存成 narration.wav」，不必打开桌面 App。
• 跨平台硬件加速：macOS 14+ 在 Apple Silicon 上走 Metal；Windows 10/11 x64 支持 CPU、NVIDIA CUDA 和实验性 Vulkan。

典型使用场景

• 视频和播客创作者：旁白配音自己出，改一句文稿就重新生成一次，不用按字付钱，也不用把未发布内容传上云。
• 课程和有声书制作：同一音色贯穿多集，长文稿分批生成后在历史记录里统一导出。
• 开发者：给应用加本地语音能力，或让智能体通过 CLI 批量生成语音资产。

快速上手

到仓库 Releases 下载对应安装包：macOS 14+（Apple Silicon）是 .dmg，Windows 10/11 x64 是 -setup.exe（需要时自动装 WebView2）。装好后第一步在设置里下载选定的模型，然后贴入文字、选表达方式、生成、试听、导出。

想从源码跑：

make install
make app-run

小结

yovoice 适合经常配音、在意成本和文稿隐私的创作者与开发者；一年配不了几段、对音色不挑剔的轻度用户，光下载模型那一步就嫌重。三点注意：OmniVoice 模型权重是 CC-BY-NC，仅限非商用；模型文件要单独下载，体积不小，硬盘紧张的要挑着装；项目上线仅两周、版本 0.1.4，遇到问题大概率要去 GitHub 提 issue。TypeScript 编写，Apache-2.0 协议。