免费克隆你的声音、AI配音、全局听写，纯本地运行

写在前面：我一直想找一个能本地运行的语音克隆工具，之前试过一些在线的，声音数据要上传，心里总是不踏实。后来发现了 Voicebox，一个开源的本地语音工作室，直接在电脑上跑，模型和数据都不出本机。试了几天，确实好用，功能多得有点出乎意料。

Voicebox 是什么？

Voicebox（https://github.com/jamiepine/voicebox）是一个纯本地运行的开源 AI 语音工作室，相当于 ElevenLabs 和 WisprFlow 的开源平替，而且两个功能合二为一了。

它能做什么？

最关键的是——全部在本地运行，模型和数据都不出你的电脑。

Star: 40.6k
Fork: 4.9k
协议: 开源
最后更新: 上周

Voicebox 是一个桌面应用，下载安装包直接装，下载地址：https://github.com/jamiepine/voicebox/releases

Windows 用户：
下载 .msi 安装包，双击安装就行。

macOS 用户：
下载 .dmg 文件，Apple Silicon 和 Intel 都有对应的版本。

Linux 用户：
目前没有预编译的二进制文件，需要从源码构建。

装完打开，界面是一个漂亮的桌面窗口，跟普通软件一样用。

使用之前先要做一些基础配置，点击界面左侧菜单最后一个齿轮（设置），如果你是N卡，选GPU，安装CUDA，使用显卡会大幅提升克隆速度，装完如下图：

配置模型，还是左侧菜单，点倒数第二个，我自己用的是它清单里最好的模型，可以照抄，它会去huggingface下载，所以，需要魔法哦。

每个模型的的效果不一样，我目前只需要中文，所以就用了Qwen。

模型选完后，需要创建一个声音档案，也就是你想克隆的声音，你可以自己录一段，也可以直接上传一个音频，根据官方的建议，弄个30秒的音频效果最好。

完成档案创建后，就来到了实操界面，这里可以用你的声音来说不同的语言，如下，可以翻译成很多种语言，很好玩。

然后输入你想克隆声音的文本，点按钮就可以生成了

克隆的时候，还可以追加效果：

自带了 4 个预设效果：机器人音、收音机音、回声室、低音炮。也可以自建预设。

配置一下就可以在任何输入框里按全局快捷键，说话就能自动打字了。基于 Whisper 语音识别。

这个功能做视频字幕、写文章、记笔记都很实用。你不需要再手动打字了，说话就行。

这个是最有意思的功能。Voicebox 支持 MCP 协议，也就是说——

Claude Code、Cursor、Cline 这些 AI 编程工具，可以通过 Voicebox 直接跟你说话。

你跟 AI 说「帮我解释一下这段代码」，它不只是在终端里打字回复，还会开口读给你听，用的还是你克隆的声音。

配置方式：给 AI Agent 加一个工具调用 voicebox.speak，它就自动调用 Voicebox 朗读文本。

一般在线语音工具对文字长度有限制（比如一次最多 2000 字），Voicebox 会自动分段生成然后拼接，最长支持 50,000 字符。读一整篇文章都没问题。

我主要测了中文。用 Qwen模型，录了大概 40 秒的样本，克隆出来的声音识别度很高，语调和停顿都挺自然。

相比在线的 ElevenLabs，音质上还有差距，但考虑到免费 + 本地运行 + 隐私安全，这个差距完全可以接受。