jamiepine/voicebox

Voicebox 是一个运行在本机的 AI 语音工作室，把声音克隆、语音合成、听写和与 Agent 对话整合进一个桌面应用。它面向的是需要在自己的机器上完成语音输入输出全流程的开发者，而不是只想调 API 的用户。

今天，一个开发者如果想在自己的应用里加入可定制的声音，通常会走两条路。一条是接 ElevenLabs 或 Play.ht 这类商业语音 API，上传一段样本，拿到一个 voice ID，然后在代码里调用。另一条是自己在本地拼装：用 Whisper 做语音转文字，用 Coqui TTS 或 XTTS 做文字转语音，再写一堆脚本处理音频格式、模型加载和 GPU 加速。两条路都有明确的卡点。商业 API 的延迟和费用会随着调用量上涨，而且声音数据必须离开本机，这在处理敏感对话或内部工具时很难接受。自己拼装则卡在工程细节上：不同模型的依赖冲突、CUDA 与 MLX 的适配、流式输出的缓冲处理，以及如何把听写结果直接送入任意应用的输入框。

Voicebox 切入的是语音 I/O 层，它没有发明新的语音模型，而是把 Qwen3-TTS、Whisper 等模型封装成一个本地可用的完整工作台。旧方案中，ElevenLabs 的语音克隆虽然质量高，但无法离线使用，且声音所有权和隐私控制始终在平台手里。自己用 Whisper 加 XTTS 搭建的流程，往往只能覆盖单一任务，一旦需要同时支持听写、克隆和与 Agent 对话，就得维护多个进程和配置。Voicebox 把这些能力放进同一个 Electron 应用里，通过统一的界面和 API 暴露出来，让开发者可以像使用本地麦克风一样使用...