用途:Voicebox 是本地优先的开源语音克隆与文本转语音(TTS)工作室,作为自托管替代方案,全部推理在本机完成,支持 macOS MLX/Metal、Windows/Linux CUDA 及 CPU 回退。
主要能力:内置 5 种 TTS 引擎(Qwen3-TTS、LuxTTS、Chatterbox、Chatterbox Turbo、TADA),覆盖 23 种语言;支持语音克隆(上传样本创建 profile)、后期处理效果(Pedalboard)、Whisper 转写、多轨 Stories 编辑器;提供 REST API(http://localhost:17493,交互文档 /docs)与 SSE 状态流。
使用方式:可下载预编译二进制(macOS Apple Silicon/Intel、Windows),或用 docker compose up 启动;Linux 需从源码构建。源码构建需 Bun、Rust、Python 3.11+ 及 Tauri 依赖,执行 git clone https://github.com/jamiepine/voicebox.git、cd voicebox、just setup、just dev。API 调用示例:curl -X POST http://localhost:17493/generate -H "Content-Type: application/json" -d '{"text":"...","profile_id":"abc123","language":"en"}'。
适用场景:本地语音克隆、批量语音生成、长文本(自动分句,最多 50,000 字符)配音、多语言 TTS、带情感标签(如 [laugh]、[sigh],仅 Chatterbox Turbo)的表达性语音。
限制:Linux 需自行构建;不同引擎语言与显存需求不同(如 luxtts 仅英文、chatterbox-turbo 仅英文);语音样本建议 5–30 秒干净语音、16kHz+ 单声道 WAV;VRAM 不足需卸载模型;具体收费与价格资料暂未提供。