VoiceStudio is the open-source, fully-local ElevenLabs alternative — voice cloning, voice design, video dubbing, dictation, transcription & audiobook creation in 646 languages.

VoiceStudio – 开源语音克隆与语音生成桌面应用程序

它有什么功能（通俗易懂）

VoiceStudio 是一款桌面应用程序（使用 Electron 构建），让您可以在自己的电脑上处理合成语音。它捆绑了一个开箱即用的语音克隆引擎（默认是 k2-fsa 项目的 OmniVoice 模型），并为四项主要任务提供了图形界面：

任务	您看到/做的事情	典型用例
语音克隆	加载说话者的清晰录音，命名，输入您想说的文字，然后点击 Generate。	为旁白、配音或个人项目重新创建某人的声音（需经许可）。
语音设计	用自然语言描述声音（例如：“温暖、低沉、友好”），让引擎合成一个前所未有的新声音。	品牌专属语音虚拟形象或角色的快速原型设计。
视频配音	导入视频，对齐字幕，并生成与时间轴匹配的语音。	在不离开应用程序的情况下进行视频本地化或建立音频叠加。
听写 / 转录 / 有声书	悬浮小工具可捕捉语音输入；应用程序还可以将长文本批处理成有声书格式的文件。	将书面内容转化为语音媒体，或免持捕捉笔记。

用户界面还包含一个模型管理器，您可以在其中下载、安装和切换不同的语音模型（不同的语言、质量等级或开源后端）。所有处理都可以保留在设备上；同时提供可选的远程服务，以实现更快的推理速度，或供不希望在本地运行大型模型的用户使用。

谁可能需要它？

内容创作者：希望添加旁白、配音或多语言配音，而无需支付云端 TTS 服务费用的人。
开发者 / AI 代理：需要本地语音转文字或文字转语音端点的人；VoiceStudio 公开了本地 HTTP API 和 MCP (Message-Control-Protocol) 接口，用于与机器人或自动化工具集成。
研究人员或爱好者：在个人工作站上尝试语音克隆、语音设计或多语言语音合成的人。
小型团队：需要一个自托管、保护隐私的商业 SaaS TTS 平台替代方案的人。

如何开始使用（快速入门）

单行安装程序 – 在 macOS/Linux 上执行：
```
curl -fsSL https://voicestudio.sh/install | sh
```
在 Windows 上使用 PowerShell：
```
irm https://voicestudio.sh/install | iex
```
该脚本会检测您的操作系统，下载适当的 Electron 二进制文件（.dmg、.exe、.AppImage 或 .deb），验证 SHA-256 校验和，并安装应用程序。它还会保留任何现有的项目和模型文件。

可选的从源代码构建 – 如果您想要最新的代码或调整后端：

git clone https://github.com/debpalash/VoiceStudio.git
cd VoiceStudio
bun install               # JavaScript/TypeScript 依赖
bun run setup:api         # 拉取 Python 依赖 (PyTorch, 模型代码)
bun run dev               # 在开发模式下启动 Electron UI

该存储库使用 Bun（一种快速的 JavaScript 运行环境）作为前端，并使用 Python 后端（通过小型 API 服务器）处理大型语音模型。

选择模型 – 第一次尝试克隆或配音时，应用程序会提示您下载模型。模型存储在本地，可以从 Model Manager 面板进行切换。
开始工作流程 – 开启 Voice cloning 工作区，添加参考音频文件，输入文字，然后点击 Generate。

为什么它在技术上很有趣？

多引擎架构 – VoiceStudio 默认附带 OmniVoice，但可以加载任何兼容的开源 TTS/语音克隆引擎（例如 VITS、FastSpeech 等）。docs/feature-catalog.md 中的 引擎目录 列出了支持的后端及其语言覆盖范围（总共多达 646 种语言）。
硬件加速 – 在 NVIDIA GPU 上使用 CUDA；在 Apple Silicon 上利用 Metal (MPS)。当没有 GPU 时，会自动安装轻量级的仅 CPU PyTorch 构建版本（约 5 GB）。
本地 API 与 MCP – 除了 UI 之外，应用程序还运行一个小型 HTTP 服务器，公开 /synthesize、/clone 和 /list-models 等端点。MCP 协议允许其他程序（例如聊天机器人）发送指令并接收音频流，从而实现** AI 代理集成**，而无需离开桌面。
可扩展的插件模型 – 开发者可以通过遵循 docs/engines/README.md 中描述的 engine 接口来新增新引擎。这鼓励社区贡献小众语言模型或实验性语音设计技术。
负责任的使用保障 – 授权条款 (AGPL-3.0) 是开源的，但 README 强调克隆声音需要原始说话者的许可。模型管理器会显示来源信息，并链接到每个下载模型的授权审查。

何时（以及如何）使用它与云端服务的比较

方面	VoiceStudio (本地)	云端 TTS (例如 Azure, Google)
隐私	所有音频都保留在您的机器上；除非您启用远程工作者，否则没有数据会离开设备。	数据会发送到提供者的服务器。
成本	模型的一次性下载（免费）+ 可选的付费“远程工作者”以加快推理速度。	按字符或按小时的使用费。
延迟	GPU 加速推理可以接近实时；仅 CPU 较慢，但仍可用于批处理作业。	通常延迟较低，但网络往返会增加开销。
自定义	您可以加载自定义微调模型、设计全新声音并编辑模型参数。	仅限于提供者提供的预设声音。
可扩展性	仅限于单个工作站（或自托管服务器）的运算能力。	在云端自动扩展。

是谁构建的？

该项目由 debpalash (Palash Deb) 和贡献者维护。它是基于 AGPL-3.0 的开源项目，拥有公开的问题追踪器、CI (GitHub Actions) 以及用于支持的 Discord 社区。

以上所有信息均直接取自存储库的 README 和链接文档。

debpalash/VoiceStudio