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

VoiceStudio – 開源語音複製與語音生成桌面應用程式

它有什麼功能（通俗易懂）

VoiceStudio 是一款桌面應用程式（使用 Electron 構建），讓您可以在自己的電腦上處理合成語音。它捆綁了一個開箱即用的語音複製引擎（預設為 k2-fsa 專案的 OmniVoice 模型），並為四項主要任務提供了圖形介面：

任務	您看到/做的事情	典型用例
語音複製	載入說話者的清晰錄音，命名，輸入您想說的文字，然後點擊 Generate。	為旁白、配音或個人專案重新創建某人的聲音（需經許可）。
語音設計	用自然語言描述聲音（例如：“溫暖、低沉、友好”），讓引擎合成一個前所未有的新聲音。	品牌專屬語音虛擬形象或角色的快速原型設計。
影片配音	匯入影片，對齊字幕，並生成與時間軸匹配的語音。	在不離開應用程式的情況下進行影片在地化或建立音訊疊加。
聽寫 / 轉錄 / 有聲書	懸浮小工具可捕捉語音輸入；應用程式還可以將長文本批次處理成有聲書格式的檔案。	將書面內容轉化為語音媒體，或免持捕捉筆記。

使用者介面還包含一個模型管理器，您可以在其中下載、安裝和切換不同的語音模型（不同的語言、品質等級或開源後端）。所有處理都可以保留在裝置上；同時提供可選的遠端服務，以實現更快的推論速度，或供不希望在本地運行大型模型的用戶使用。

誰可能需要它？

內容創作者：希望添加旁白、配音或多語言配音，而無需支付雲端 TTS 服務費用的人。
開發者 / AI 代理：需要本地語音轉文字或文字轉語音端點的人；VoiceStudio 公開了本地 HTTP API 和 MCP (Message-Control-Protocol) 介面，用於與機器人或自動化工具整合。
研究人員或愛好者：在個人工作站上嘗試語音複製、語音設計或多語言語音合成的人。
小型團隊：需要一個自託管、保護隱私的商業 SaaS TTS 平台替代方案的人。

如何開始使用（快速入門）

單行安裝程式 – 在 macOS/Linux 上執行：
```
curl -fsSL https://voicestudio.sh/install | sh
```
在 Windows 上使用 PowerShell：
```
irm https://voicestudio.sh/install | iex
```
該腳本會偵測您的作業系統，下載適當的 Electron 二進位檔案（.dmg、.exe、.AppImage 或 .deb），驗證 SHA-256 校驗和，並安裝應用程式。它還會保留任何現有的專案和模型檔案。

可選的從原始碼建置 – 如果您想要最新的程式碼或調整後端：

git clone https://github.com/debpalash/VoiceStudio.git
cd VoiceStudio
bun install               # JavaScript/TypeScript 依賴
bun run setup:api         # 拉取 Python 依賴 (PyTorch, 模型程式碼)
bun run dev               # 在開發模式下啟動 Electron UI

該儲存庫使用 Bun（一種快速的 JavaScript 執行環境）作為前端，並使用 Python 後端（透過小型 API 伺服器）處理大型語音模型。

選擇模型 – 第一次嘗試複製或配音時，應用程式會提示您下載模型。模型儲存在本地，可以從 Model Manager 面板進行切換。
開始工作流程 – 開啟 Voice cloning 工作區，新增參考音訊檔案，輸入文字，然後點擊 Generate。

為什麼它在技術上很有趣？

多引擎架構 – VoiceStudio 預設附帶 OmniVoice，但可以載入任何相容的開源 TTS/語音複製引擎（例如 VITS、FastSpeech 等）。docs/feature-catalog.md 中的 引擎目錄 列出了支援的後端及其語言覆蓋範圍（總共多達 646 種語言）。
硬體加速 – 在 NVIDIA GPU 上使用 CUDA；在 Apple Silicon 上利用 Metal (MPS)。當沒有 GPU 時，會自動安裝輕量級的僅 CPU PyTorch 建置版本（約 5 GB）。
本地 API 與 MCP – 除了 UI 之外，應用程式還運行一個小型 HTTP 伺服器，公開 /synthesize、/clone 和 /list-models 等端點。MCP 協定允許其他程序（例如聊天機器人）發送指令並接收音訊串流，從而實現** AI 代理整合**，而無需離開桌面。
可擴充的插件模型 – 開發者可以透過遵循 docs/engines/README.md 中描述的 engine 介面來新增新引擎。這鼓勵社群貢獻小眾語言模型或實驗性語音設計技術。
負責任的使用保障 – 授權條款 (AGPL-3.0) 是開源的，但 README 強調複製聲音需要原始說話者的許可。模型管理器會顯示來源資訊，並連結到每個下載模型的授權審查。

何時（以及如何）使用它與雲端服務的比較

方面	VoiceStudio (本地)	雲端 TTS (例如 Azure, Google)
隱私	所有音訊都保留在您的機器上；除非您啟用遠端工作者，否則沒有資料會離開裝置。	資料會發送到提供者的伺服器。
成本	模型的一次性下載（免費）+ 可選的付費“遠端工作者”以加快推論速度。	按字元或按小時的使用費。
延遲	GPU 加速推論可以接近即時；僅 CPU 較慢，但仍可用於批次作業。	通常延遲較低，但網路往返會增加開銷。
自訂	您可以載入自訂微調模型、設計全新聲音並編輯模型參數。	僅限於提供者提供的預設聲音。
可擴充性	僅限於單個工作站（或自託管伺服器）的運算能力。	在雲端自動擴充。

是誰構建的？

該專案由 debpalash (Palash Deb) 和貢獻者維護。它是基於 AGPL-3.0 的開源專案，擁有公開的問題追蹤器、CI (GitHub Actions) 以及用於支援的 Discord 社群。

以上所有資訊均直接取自儲存庫的 README 和連結文件。

debpalash/VoiceStudio