VoiceStudio  v0.5.6

VoiceStudio是一款免费开源的本地AI语音工作台，将合成为核心，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。这款软件提供直观的桌面图形界面，完全开放了openAI兼容apl与mcpserver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、复用等等。

VoiceStudio软件特点

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。

VoiceStudio软件亮点

3 秒零样本语音克隆，646 种语言随意切换

只需要一段 3 秒干净音频，就能完整复刻任何人的声线，零样本无需训练，上传素材立刻生成语音。覆盖 646 种语言，不管各国小语种、国内各类方言都能适配，克隆完成后还能跨语言生成配音，用中文样本也能生成日语、英语、俄语旁白。

日常做解说、虚拟主播、有声书都够用，生成的人声自然流畅，没有机械电子音，还支持 A/B 双轨试听对比，方便挑选最合适的音色版本。

全链路视频自动配音，本地一键导出成片

支持上传本地视频，也能直接粘贴 YouTube 链接处理，整套流水线全自动完成：语音转录原文、多语种翻译、人声分离、重新配音、封装导出 MP 4。 内置 Demucs 人声分离模型，能把原视频人声和背景音乐、音效分开，完整保留原背景音，只替换配音;搭配 Pyannote 说话人分离，自动识别视频里多个人物，给不同角色分配独立克隆声线，做多人对话视频不用手动分段剪辑。批量队列功能支持一次拖入 50 条视频后台处理，不用守在电脑前等待。

全局实时听写工具，系统热键一键转文字

设置快捷键 ⌘+⇧+Space(Windows 替换对应组合键)，任意软件界面都能启动听写，说话实时转文字自动粘贴，浮动窗口无痕隐藏，开会记录、采访录音转文稿、写脚本都很省事。底层搭载 WhisperX 模型，99 种语言精准识别，断句、字词对齐清晰，导出 SRT、VTT 字幕文件直接适配剪辑软件。

VoiceStudio软件优点

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。

VoiceStudio使用说明

语音克隆

拖入 3 秒音频 → 复制任何声音。646 种语言，零样本。 

声音设计

从头构建新声音——性别、年龄、口音、音高、风格。

视频配音

上传或粘贴 YouTube 链接。转录、翻译、重新配音、导出。

声音库

搜索 YouTube、浏览分类、下载片段、构建你的收藏。

设置 → 模型

15 个模型。一键安装。自动检测你的平台（CUDA / MPS / CPU）。

项目

配音项目、声音配置、生成历史、导出——全部可搜索。

设置 → 日志

实时后端、前端和 Tauri 运行时日志。筛选、刷新、清除。

常见问题

这款产品真的能和ElevenLabs媲美吗？

对于语音克隆和配音，OmniVoice 的确可以胜出——它采用最先进的扩散式 TTS 模型，支持 646 种语言（ElevenLabs 仅支持 32 种）。在大多数应用场景下，两者的质量不相上下。ElevenLabs 的优势在于其完善的云 API 和预制语音库。而 OmniVoice 则在隐私性、成本、语言覆盖范围和可定制性方面更胜一筹。

它能在苹果芯片（M1/M2/M3/M4）上运行吗？

是的。MPS 加速功能会自动检测。针对 Apple 硬件，Whisper 推出了 MLX 优化版本，可实现更快的转录速度。

我需要多少显存？

最低内存要求为 4 GB。内存 ≤ 8 GB 时，TTS 模型会在转录过程中自动卸载到 CPU 上运行。内存 ≥ 8 GB 时，所有操作都会同时在 GPU 上运行。完全没有 GPU？CPU 模式也能运行，只是速度会慢一些（TTS 速度大约慢 3 倍）。

我可以将其用于商业用途吗？

个人及非商业用途免费。商业用途需付费授权——请参阅“授权许可”。企业用户可享受 30 天免费试用。

支持哪些语言？

OmniVoice 模型支持 646 种语言的文本转语音 (TTS)。转录 (WhisperX) 支持 99 种语言。翻译覆盖范围取决于目标语言对。