Voicebox

Voicebox 是开源的桌面语音工作室，官方把自己定义成 ElevenLabs 和 WisprFlow 的免费本地替代：克隆音色、生成语音、全局听写三件事都能在自己机器上完成，模型与音频不必上传。对在意素材保密、又不想按月付费的人来说，这个定位比功能列表更有吸引力。

核心能力

• 声音克隆：官方称接近完美的克隆效果，支持多段样本一起训练，任何一段音频片段都能变成可用音色，样本越多越稳，重复素材还能靠缓存省下重算时间。
• 多引擎 TTS：内置七种 TTS 引擎，同一段文本可以换引擎对比音色与自然度，不必在多个服务之间搬文本。
• 全局听写：在任何应用里口述，识别结果直接粘贴进去，说完立刻可用，不用切窗口再复制。
• 叙事编辑器：Stories Editor 支持多轨组织，把旁白、对白、音效排在同一条时间线上。
• 音频效果链：内置 Audio Effects Pipeline，生成后直接做后期处理，省掉导出到音频软件再导回。
• 本地或远程推理：可以只在本机跑，也可以切到远程推理；配有智能缓存，重复内容不重复计算，生成长度不设上限，另可用 Whisper 做转写并让 agent 用你的音色说话。

适合谁

• 播客与有声书制作者：需要稳定音色、长篇连续录制。
• 短视频与课程配音：不想每条都真人录，又要保持同一个声音。
• 对素材保密有要求的行业：法务、医疗、内部培训材料不方便上传云端。
• 做 AI Agent 的开发者：给 agent 配一个固定、可辨识的声音。
• Linux 用户：同类工具大多只支持 Mac 与 Windows，官方提供三平台桌面版。
• 播客剪辑与后期：先把口误和停顿剪掉，再用同一音色补录，不用重约嘉宾。

使用建议

• 先用目标文本试听再定稿：克隆音色的稳定性在长句和情绪起伏上最容易出问题，正式录制前先跑一段同类型内容。
• 授权是第一条：只克隆自己或已获得明确书面授权的声音，克隆他人声音用于公开发布可能侵犯声音权益，各地规定不同。
• 录音质量比样本数量重要：安静环境、同一支麦克风、不同语气各来一段，比几十段嘈杂素材有效。
• 先用本地推理跑通，机器扛不住再切远程，官方两种模式都支持。
• 长篇内容分段生成再拼，虽然官方称长度不限，但分段更容易重录某一句。
• 各 TTS 引擎的许可不同，商用前逐个确认；开源协议以项目仓库为准，官方规则可能调整。