jackssybin 的个人博客

TL;DR

VoiceStudio 适合需要隐私保护、不想付费订阅API、想要本地运行全功能语音AI工具的用户；不适合需要云端协作、重度依赖企业级服务的场景。核心优势是全功能本地运行，零费用，隐私安全，支持646种语言，包含语音克隆、视频配音、字幕生成、长音频生成等全功能。核心限制是需要本地有一定硬件配置（最低8GB内存，推荐16GB+）。

如果你用过ElevenLabs、OpenAI TTS这类付费语音API，肯定会对订阅收费、数据隐私问题感到头疼。今天给大家介绍一个完全开源免费、本地运行的全能语音AI平台 —— VoiceStudio。

什么是VoiceStudio？

VoiceStudio（之前叫OmniVoice-Studio）是一个整合了多种TTS（文本转语音）和ASR（语音转文本）引擎的本地桌面应用，支持语音克隆、视频配音、字幕生成、长音频/有声书生成等多种工作流，完全在本地运行，不需要账号、不需要API Key、不需要订阅，所有数据都保存在你的本地电脑上，隐私绝对安全。

核心特点：

• 16个TTS引擎 + 11个ASR引擎，覆盖各种场景需求
• 支持646种语言，基本覆盖全球绝大多数语言，对小语种友好
• 支持macOS、Windows、Linux和Docker部署
• 零账号、零API Key、零订阅费用，完全本地运行
• 自带MCP Server，可以直接集成到Claude Code、Cursor等AI编辑器
• 支持语音克隆、视频配音、字幕生成、有声书生成等全功能工作流

为什么需要本地语音AI？

对比主流的付费语音服务，VoiceStudio的优势非常明显：

简单说，如果你对隐私有要求，不想每月给语音API交订阅费，又需要全功能的语音AI工具，VoiceStudio就是非常好的选择。

核心功能体验

1. 语音克隆

VoiceStudio的语音克隆非常简单，只需要3秒以上的干净参考音频，就可以克隆出音色接近的语音，5-15秒效果会更好。整个克隆过程完全在本地完成，不需要上传任何数据到云端。

操作步骤：

1. 打开应用，进入「Voice Cloning」
2. 上传干净的参考音频（没有背景噪音，只有目标说话人）
3. 输入要生成的文本，选择语言，点击生成即可

2. 视频配音

VoiceStudio支持视频配音全流程：

• 自动转录原视频语音
• 支持翻译到目标语言
• 保留原说话人分轨
• 合成新的语音后导出带新配音的视频

这对于做多语言视频UP主来说非常实用，不用重新录音就能一键生成多语言版本。

3. 长音频/有声书生成

支持导入EPUB/PDF，自动分章节，多语音配置，最后导出.m4b格式的有声书，自己做有声书非常方便。

4. 系统级听写

自带系统级听写Widget，按下全局快捷键就能开始听写，自动识别语音转文字，支持本地LLM后处理，非常适合开会记录或者日常口述记录。

5. MCP Server集成

VoiceStudio自带了MCP（Model Context Protocol）Server，可以直接集成到Claude Desktop、Cursor等AI编辑器中，让AI Agent直接调用本地语音生成和转录能力，非常方便。

你只需要把下面配置加到Claude Code的配置文件中：

{
  "mcpServers": {
    "voicestudio": {
      "url": "http://localhost:3900/mcp"
    }
  }
}

然后就可以让Claude帮你生成语音了，完全本地运行，不需要额外付费。

引擎选择指南

VoiceStudio整合了非常多的引擎，根据你的硬件配置和使用场景，推荐选择：

TTS引擎推荐

Apple Silicon (M1-M4):

• MLX-Audio、OmniVoice 原生支持MPS，延迟最低，效果最好

NVIDIA GPU (8GB+ VRAM):

• OmniVoice、CosyVoice 3，零Shot克隆效果最好，音质出色

低显存/纯CPU:

• PocketTTS、Sherpa-ONNX、KittenTTS，内存占用小，CPU推理速度不错

ASR引擎推荐

默认是WhisperX，支持词级时间戳，适合字幕生成和说话人分割；如果是Apple Silicon，可以选择MLX Whisper，原生优化速度更快；低配置电脑推荐Faster-Whisper int8量化版本，速度快内存占用小。

安装使用指南

一键安装

最简单的方式就是直接从Release页面下载对应平台的安装包：

• macOS 13.3+ Apple Silicon：下载DMG安装包
• Windows 10/11 x64：下载MSI安装包
• Linux x86_64：下载AppImage

下载后直接安装，首次启动会自动创建Python环境并下载默认模型，等待完成就可以使用了。

Docker快速运行

如果你喜欢用Docker，可以直接一行命令启动：

docker run -d -p 127.0.0.1:3900:3900 -v omnivoice-data:/app/omnivoice_data --name voicestudio palashdeb/omnivoice-studio:stable

从源码运行

需要Node 20+/Bun和Python 3.11+，然后：

git clone https://github.com/debpalash/VoiceStudio.git
cd VoiceStudio
bun install
bun run desktop

硬件要求

如果你的配置比较低，也不用担心，可以选择轻量级引擎，比如PocketTTS、KittenTTS这些，CPU也能流畅运行。

优缺点总结

优点

• ✅ 完全开源免费，本地运行，零费用零订阅
• ✅ 功能全面，从语音克隆到视频配音、有声书生成全支持
• ✅ 支持646种语言，对小语种非常友好
• ✅ 整合了多个主流引擎，自动适配硬件
• ✅ 支持MCP集成到AI编辑器，开发者友好
• ✅ 隐私安全，所有数据都在本地

缺点

• ⚠️ 需要自己有一定硬件配置，低配电脑运行速度会比较慢
• ⚠️ 目前还在beta阶段，偶尔会有小bug
• ⚠️ 国内下载模型可能会比较慢，需要解决网络问题

总结

VoiceStudio是一个非常出色的开源本地语音AI平台，功能全面，隐私安全，完全免费，对于需要本地语音AI工具的用户来说，真的是福音。如果你厌倦了ElevenLabs等付费服务的订阅费用，又担心隐私问题，不妨试试VoiceStudio，相信不会让你失望。

项目地址：https://github.com/debpalash/VoiceStudio

如果你觉得这个项目不错，不妨去点个Star支持一下作者~