VoiceStudio 今日发布

产品简介

VoiceStudio 是一款完全本地化运行的开源语音合成与语音克隆工具，可完全替代 ElevenLabs 的核心功能，支持语音克隆、语音设计、视频配音、听写转录以及有声书制作，覆盖 646 种语言。与 ElevenLabs 需要上传数据到云端不同，VoiceStudio 所有声音、项目和输出文件默认存储在本地机器上，无需注册账户、无需 API Key、不依赖任何订阅服务，真正实现数据主权完全归用户所有。VoiceStudio 支持 macOS、Windows、Linux 以及 Docker 部署，并提供桌面应用、REST/SSE/WebSocket API 和 OpenAI 兼容音频接口多种使用方式，开发者可无缝接入现有应用。

核心功能

语音克隆：仅需 3-15 秒的干净人声样本，即可实现零样本语音合成，克隆后的声音保留原说话人的音色、语调和表达风格，支持在任意文本上生成自然语音。

语音设计：通过年龄、口音、音高、风格和表达方式等参数描述，系统自动生成符合要求的声音，无需任何声音样本，适合虚拟角色、游戏 NPC、有声读物旁白等场景。

视频配音：支持将视频音轨替换为 AI 生成的语音，保持音视频同步，配音语言覆盖 646 种语言，覆盖全球主流及小语种市场。

听写与转录：内置 11 种 ASR（自动语音识别）引擎，支持将音频内容精准转录为文字，配套 16 种 TTS 引擎形成完整的语音转文字再转语音工作流。

有声书制作：集成语音克隆、文本处理和音频导出功能，可批量处理章节内容，生成专业级别的有声书朗读版本。

特色优势

完全本地化：所有数据处理在本地完成，声音样本和生成内容不离开用户设备，彻底杜绝隐私泄露风险。

多引擎支持：内置 16 种 TTS 引擎和 11 种 ASR 引擎，通过统一界面管理，一键在不同引擎之间切换，找到最适合目标语言和场景的方案。

跨平台覆盖：macOS、Windows、Linux 三大桌面平台均有原生安装包，同时支持 Docker 容器化部署，满足服务器端批量处理需求。

开放 API：提供 REST、SSE、WebSocket 三种接口，并附带 OpenAI 兼容音频接口，已接入 OpenAI TTS 的应用可零成本迁移。

技术架构

VoiceStudio 底层集成了 16 种 TTS 引擎和 11 种 ASR 引擎，通过统一的模型目录界面（Model Catalogue）管理，用户可在不同引擎之间一键切换（Ctrl/Cmd+E 快捷键），无需改变工作流。支持的计算平台覆盖 CUDA（Nvidia GPU）、Apple Silicon MPS/MLX（Mac 专用神经网络加速）、ROCm（AMD GPU）以及纯 CPU 模式，并支持配置远程 GPU 工作节点以应对高负载场景。

应用层采用 Electron 构建跨平台桌面客户端，数据存储于本地 SQLite 数据库，所有敏感音频材料无需上传网络。API 层提供 REST、SSE（Server-Sent Events）和 WebSocket 三种接口规范，并附带 OpenAI 兼容音频接口，便于已接入 OpenAI TTS API 的应用零成本迁移至 VoiceStudio。许可证方面，应用本体采用 AGPL-3.0 开源许可，下载的模型遵循上游模型各自的许可条款。

应用场景

短视频内容创作者为出海视频快速生成多语言配音；隐私敏感的企业内部使用语音合成功能而不希望数据离开本地网络；有声读物出版方批量将文字内容转换为高质量语音；游戏开发者为 NPC 角色批量生成差异化语音；语音研究人员在本地环境测试和微调语音合成模型。

适用人群

内容创作者需要为视频、播客配音但不想使用云端服务；隐私敏感的用户不希望声音数据上传到第三方服务器；开发者希望将语音合成能力集成到自有应用中，同时保持数据本地化处理；研究机构需要在特定语言或方言上定制语音合成模型。VoiceStudio 以开源方式提供了企业级语音合成能力的完整替代方案，且无任何使用成本和隐私风险。

官方链接

GitHub 仓库：https://github.com/debpalash/VoiceStudio 中文文档：https://github.com/debpalash/VoiceStudio/blob/main/README_CN.md Discord 社区：https://discord.gg/bzQavDfVV9