用一个开源工具把 ElevenLabs + WisprFlow 的功能全收了：Voicebox 是什么来头？

如果你平时做播客、AI 配音、语音 Agent，或者单纯想clone一段声音去玩——Voicebox 绝对是最近最值得关注的项目。

它到底能做什么？

Voicebox 是一个本地优先的开源 AI 语音工作室。简单说，ElevenLabs 能做的语音合成、WisprFlow 能做的语音听写，它全都有，而且全部跑在你自己的机器上，不需要把声音数据传到云端。

核心能力就三条：
– Voice Clone：给一段几秒到几十秒的参考音频，它就能克隆出那个人的声音。
– 语音合成：内置 7 套 TTS 引擎（Qwen3-TTS、Chatterbox、Kokoro、LuxTTS、HumeAI TADA 等），覆盖 23 种语言，比 ElevenLabs 的单引擎选择多得多。
– 全局语音听写：用一个快捷键，在任何 App 里直接口述，实时转文字输入——类似 macOS 原生的听写，但模型更强、更可定制。

还有更酷的：它可以给任意支持 MCP 的 AI Agent 配上你自己的声音，让 Agent 说话直接用你克隆的声线。想做语音助手、播客剪辑自动化、多语言内容生产，这一条链路就通了。

为什么值得装？

最大的卖点就是隐私 + 全能。 ElevenLabs 和 WisprFlow 都是云服务，你的音频、语音内容实际上都在人家的服务器上处理。Voicebox 全部本地运行，模型、声纹、录音都不出本机。

而且它免费开源，GitHub 已经拿到 43k+ 星，release 稳定，跨平台支持 macOS、Windows、Linux。对于开发者来说，这意味着你可以直接把语音能力嵌进自己的工具链，不用再被 SaaS 订阅绑架。

适合谁用？

• 内容创作者：播客、短视频配音、多语言内容批量生产
• 开发者：给 AI Agent、语音 Bot、桌面工具加语音 I/O
• 隐私敏感用户：不想把音频上传到第三方云服务

快速上手

1. 去 GitHub Releases 下载对应平台的安装包。
2. 安装后打开 Voicebox，导入一段参考音频做 voice clone。
3. 选择 TTS 引擎，输入文字，生成语音。
4. 开启全局听写快捷键，在任何地方口述输入。

结语

Voicebox 把语音合成的”生产端”和听写的”输入端”合二为一，而且做得足够本地、足够开放。如果你正在找开源的语音 AI 工具，这个项目值得第一时间上手试试。

GitHub：jamiepine/voicebox

GitHub: https://github.com/jamiepine/voicebox