VoiceStudio：把语音克隆留在本机的开源语音工具

大部分语音 AI 现在都跑在云端。想克隆一个声音，先得把音频传到别人的服务器；想批量配音，就按量付费。钱要花，数据也得出门，这两样绕不开。

VoiceStudio 想把这些环节搬回本机。按它自己的说法，这是一款完全本地运行的开源语音工具，也被视作 ElevenLabs 的开源替代方案。仓库数据挺能说明问题：GitHub 上已有 59343 star、6652 fork，主语言是 Python，桌面端用 Electron 加 TypeScript/React。项目创建于 2026-04-09，最近一次推送是 2026-10-12。应用本体是 AGPL-3.0 许可，模型权重的许可另行约定。

功能都压在语音生产这条线上。语音克隆拿约 3 秒参考音频就能零样本起步，声音设计从零描述生成音色，视频配音自动转录、翻译再重新配音，语音听写靠一个悬浮窗随时把话转成文字，有声书支持导入 EPUB 或 PDF、导出 .m4b。另外还有故事模式、批量队列、人声分离和说话人分离。

本地化这块做得挺全。646 种语言，16 个可切换的 TTS 引擎，默认引擎基于 k2-fsa/OmniVoice，还能换 CosyVoice 3、GPT-SoVITS、MLX-Audio、Sherpa-ONNX 等。接口也留好了：本机 localhost:3900 上是 OpenAI 兼容接口，包括 /v1/audio/speech、/v1/audio/voices 和 /v1/audio/transcriptions；另外挂了一个 MCP 服务器，Claude Code 或 Cursor 都能接进来。

装起来不费劲。macOS 和 Linux 一条 curl 命令就行，Windows 在 PowerShell 里跑对应的 irm 命令，或者直接去 Releases 下 .dmg、.exe、.AppImage、.deb。硬件上有讲究：NVIDIA 卡走 CUDA，Apple Silicon 走 MPS。没有独显也能用 CPU 跑，就是慢一点，安装大约占 5 GB 磁盘。Intel Mac 只能开界面，得连远程后端；Windows on ARM 还在实验阶段。

有几处限制得先看清楚。项目还在 beta（0.5.x），版本之间可能出破坏性变更。首次启动要下载模型权重，几分钟起步，磁盘至少留 10 GB。默认引擎 OmniVoice 的预训练权重是 CC-BY-NC 许可，不能商用；要商用就得换个 Apache-2.0 这类许可的引擎，条款自己核对。还有，克隆别人的声音，得先拿到本人同意。

GitHub 仓库：https://github.com/debpalash/VoiceStudio