VoiceStudio

VoiceStudio是一款免费开源的本地AI语音克隆与合成工作台，旨在将多引擎语音工作站的全栈能力搬进用户的本地桌面，作为云端语音服务的优质替代方案。该软件内置16款TTS引擎与11款ASR引擎，支持高达646种语言，提供零样本声音克隆、参数化声音设计、视频自动配音流水线、语音转写以及多角色有声书制作等核心功能。除了提供直观的桌面图形界面，它还开放了OpenAI兼容API与MCP Server接口，支持开发者进行深度集成与自动化工作流搭建，真正为用户打造了一个让声音可以被准备、管理、复用并融入全流程创作的本地专属工作室。

软件亮点

1、完全本地运行与隐私保护

所有语音处理均在用户设备离线完成，无需注册账号或联网，音频样本与生成内容全程不出本机，彻底规避云端上传带来的隐私与合规风险。

2、海量引擎矩阵与语言覆盖

内置16款TTS引擎与11款ASR引擎，支持高达646种语言的语音克隆与合成，覆盖大量小语种与区域口音，满足不同场景下的多语言创作需求。

3、一站式语音生产工作流

将声音克隆、声音设计、视频配音、听写转写与多人有声书生成集成在同一桌面端，无需在多个工具间切换拼接，大幅提升音频生产效率。

4、开发者友好与自动化支持

内置OpenAI兼容的本地REST/SSE API与MCP Server接口，方便开发者将语音能力无缝接入自有应用或AI Agent工具链；同时支持配方复用与监视文件夹批量生成。

VoiceStudio使用指南

1、环境安装与模型配置：首次启动时，应用会自动配置Python虚拟环境，请务必进入“Settings → Models”下载核心的TTS模型，否则无法进行语音合成。

2、快速体验声音克隆：进入“Voice Clone”工作台，上传一段5-15秒的干净单人录音（无背景音和混响）。在文本框输入内容后点击“Synthesize Audio”，即可用克隆出的专属音色生成任意语言的语音。

3、声音设计与参数调节：若没有参考音频，可在“Voice Design”模块通过文字描述性别、年龄、口音与情绪，由本地引擎直接生成全新音色。生成时可通过调节“Steps”滑杆来平衡合成速度与输出质量。

VoiceStudio适合哪些人使用？

1、内容创作者与自媒体人

包括短视频创作者、播客主播、有声书制作人和配音员等。VoiceStudio 提供了从声音克隆、声音设计到视频自动配音、多角色有声书生成的完整工作流。创作者可以利用零样本克隆功能快速生成个人专属音色，保持风格统一；也可以利用视频配音流水线，一站式完成音轨提取、翻译、配音和导出，大幅提升创作效率。

2、开发者与 AI 自动化玩家

VoiceStudio 提供了 OpenAI 兼容 API 和 MCP Server 接口，使其可以作为“本地语音后端”被其他程序调用。开发者可以将其无缝集成到自有应用、自动化脚本或 AI Agent（如 Cursor、Claude）中，实现“生成语音 → 保存文件 → 嵌入项目”的自动化流程，无需编写复杂的桥接代码。

3、对数据隐私有严格要求的企业与个人

由于 VoiceStudio 采用“本地优先”架构，所有计算和数据均在用户设备离线完成，音频样本无需上传至云端。这使其成为医疗、金融等隐私敏感场景的理想选择，例如医生对病历的语音转写、跨国企业内部培训视频的多语言本地化，或影视制作团队处理未公开影片的配音，能有效避免数据外泄风险。

4、多语言内容本地化团队

VoiceStudio 内置 16 款 TTS 引擎和 11 款 ASR 引擎，支持高达 646 种语言。对于需要为游戏、动画、教育材料等进行多语言配音的团队，它提供了一个统一的本地化解决方案，无需为不同语言单独采购和部署服务，有效降低了维护成本。

5、游戏与虚拟形象开发者

可以为游戏中的 NPC 或虚拟主播生成海量、个性化的语音资产。通过参数化声音设计系统，开发者可以调节性别、年龄、口音、情绪等维度，快速构建出符合角色设定的独特声线，提升用户的沉浸感。

6、教育与无障碍辅助领域

可以将文本教材、长文档批量转换为语音，辅助视障用户或语言学习者。其有声书模块支持章节拆分和多角色配音，能将整本书转化为生动的音频内容，极大地丰富了教育资源的呈现形式。

需要注意的人群：

-追求零门槛和开箱即用的普通用户：VoiceStudio 需要一定的部署、选引擎和调参过程，对硬件（推荐 8GB 以上显存）也有一定要求。如果仅偶尔使用、用量小且追求稳定旗舰音质，云端 TTS 服务可能是更省心的选择。

-大规模商业 SaaS 服务商：VoiceStudio 采用 AGPL-3.0 开源协议，该协议对网络服务和衍生分发有严格的约束，商用需开放源码或购买商业授权。因此，它不太适合直接作为大规模商业 SaaS 产品的底层服务。

更新日志

v0.5.6版本

一、亮点

1、使用保存的语音进行问候来接听 Twilio 电话；默认关闭，带有本地电话质量测试

2、Claude Code、Cursor、Codex CLI 和 OpenAI Agents SDK 已连接到 VoiceStudio 并正常工作

3、替换已保存克隆的参考样本，并从 OmniVoice 中克隆长度超过 20 秒的参考

4、长音频书章节在 8 GB GPU 上完成，并能承受断电或数据文件夹移动

5、马拉雅拉姆语数字、章节提示表和没有语音标记标签的字幕

二、已更改

Voice Clone 说出活动引擎使用了多长的参考时间，而不是要求你缩短到 15 秒

三、已添加

1、编辑已保存的语音克隆的参考样本：播放它，通过上传或录制替换它，并保存回同一语音

2、以保存的语音接听 Twilio 电话：默认关闭，签名 Webhook 和一次性流令牌，带有本地电话质量测试

3、马拉雅拉姆语配音和有声读物会用马拉雅拉姆语说出数字、百分比和小数，而不是读出原始数字

4、在故事或有声书渲染完成后，下载一个章节提示表（HH:MM:SS<TAB>Title）——时间戳与 M4B 的嵌入式章节相匹配，并提供MP3便携式章节

5、OpenAI Agents 集成页面提供了一个可复制的代码片段，该代码片段在 VoiceStudio上运行 Agents SDK 语音管道

6、OpenAI兼容的API添加了GET /v1/models和POST /v1/audio/translations（多语言Whisper模型；拒绝turbo模型）

7、语音请求接受 stream_format (audio 或 sse) 和 OpenAI's {"id": ...} 语音对象

8、转录通过language, prompt和temperature传递给 Whisper 引擎，并返回words带有timestamp_granularities[]=word

9、集成：可复制的 Codex CLI (config.toml)、任何 MCP 客户端（HTTP 或 stdio）、VoiceStudio API (curl 和 OpenAI SDK) 以及 Docker/GHCR

四、已修复

1、粘贴和导入的字幕不再识别卡拉OK标签，未更改的WebVTT和SubRip导出文件会保留原始字幕标记

2、保存了声音并上传了超过20秒的音频，在OmniVoice上重新克隆；最佳片段会自动挑选

3、VoxCPM2 不再将一个有上限的参考与整个片段的文本配对

4、说话人分割使用 Lightning 2.6.6，该版本阻止了来自恶意检查点的代码执行

5、在 8 GB GPU 上，长篇有声书章节在渲染时不再超时，并且超时章节会在当前分块后停止使用 GPU

6、在 Windows 上，重置连接不再让后端保持运行但无法访问

7、官方openai SDK 和 OpenAI Agents SDK 保持不变：gpt-4o-mini-tts并且当前 OpenAI 的语音名称不再因“未知模型”而失败

8、OpenAI instructions现在能够被语音引擎识别，而不是被忽略；OmniVoice 使用其中的语音设计标签

9、语音 pcm 为 24 kHz，正如 OpenAI 所指定的；aac并且 opus 返回真实的 AAC 和 Opus，而缺少编码器则是一个明显的错误，而不是一个标签错误的 WAV

10、转录报告会报告检测到的语言，而不是总是显示英语，并且verbose_json分段遵循 OpenAI 的模式

11、OpenAI兼容的路由返回OpenAI格式的错误，对于无效请求返回400

12、渲染的有声书章节在数据文件夹移动后仍可重用，并且关机不再清空恢复点或损坏章节音频

13、一个音频书章节缓存未命中现在会记录自缓存渲染以来哪些输入发生了变化

14、MCP 客户端指向 /mcp 在 Docker 上连接并从源构建，而不是获取 HTTP 405

15、MCP 工具和backend.speech_client 遵循一个后端，使用OMNIVOICE_PORT 而不是假设端口 3900

16、集成卡片显示真实能力：“支持 VoiceStudio”仅在存在设置时有效，其他地方均为“外部链接”