VoiceStudio最新版

VoiceStudio 是一个免费、开源的桌面应用，将克隆、设计、配音、听写和有声书制作整合在一个界面中。核心流程完全在你的本地硬件上运行，支持 646 种语言，没有用量计费，也没有隐藏的云端依赖。

VoiceStudio 的核心理念是：声音很私人，创作空间也应该真正属于你。

八大核心功能

1. 🎙️ 语音克隆：只需 3 秒音频即可零样本复刻任何声音，支持 646 种语言。
2. 🎨 声音设计：精细调节性别、年龄、口音、音高、语速、情感和方言。
3. 🎬 视频配音：导入 YouTube 链接或本地文件，自动完成转录、翻译、重新配音并导出 MP4。
4. 📖 有声书编辑器：支持文本、EPUB 或 PDF 导入，自动分章、响度归一化并生成带元数据的 .m4b 文件。
5. 🎭 故事模式：多角色配音编辑器，可逐行分配不同声音，预览并导出完整的配音阵容。
6. ⌨️ 听写工具：全局快捷键（⌘+⇧+Space）触发，在任何应用中实现转录、自动粘贴并随即消失。
7. 🔐 本地优先：所有核心创作数据留在设备内，联网服务仅为可选项。
8. 🤖 MCP 服务器：可通过 MCP 协议被 Claude、Cursor 等 Agent 调用，实现自动化音频处理。

强大的扩展能力

除了主打功能，VoiceStudio 还内置了 12 项高级工具：

• 人声分离：基于 Demucs，从音乐中精准提取语音。
• 说话人分离：利用 Pyannote + WhisperX 自动识别“谁在什么时候说了什么”。
• 批量队列：拖入 50 个视频即可后台处理，每个任务独立显示进度。
• AI 水印：集成 Meta 的 AudioSeal，生成不可见且抗压缩的数字水印。
• GPU 自动检测与卸载：显存不足时自动将 TTS 任务卸载至 CPU，确保稳定性。
• 无限长 TTS：通过按句分块和 WebSocket 流式输出，突破生成长度限制。

引擎矩阵：14 个 TTS 与 10 个 ASR 的自由组合

VoiceStudio 不绑定单一模型，而是提供了一个强大的引擎选择器：

• TTS 引擎：默认使用支持 600+ 语言的 OmniVoice，同时可选装 CosyVoice 3、GPT-SoVITS、IndexTTS 2.5、MOSS-TTS 等 13 个引擎。无论是追求极速的 KittenTTS，还是追求情感表现的 IndexTTS，都能一键切换。
• ASR 引擎：默认使用词级对齐精准的 WhisperX，同时支持 Faster-Whisper、MLX Whisper（Apple Silicon 优化）、FunASR 以及 sherpa-onnx 实时听写等 9 个本地引擎。

开发者友好：OpenAI 兼容 API

VoiceStudio 内置了 OpenAI 兼容的音频 API 端点（http://localhost:3900/v1）。这意味着你可以直接使用现有的 OpenAI SDK 或脚本，将请求指向本地，无需修改代码即可享受本地推理的速度与隐私。

from openai import OpenAI
client = OpenAI(base_url="http://localhost:3900/v1", api_key="none")
result = client.audio.transcriptions.create(model="whisper-1", file=open("clip.wav", "rb"))

系统要求与兼容性

• 操作系统：Windows 10+、macOS 12+ (Apple Silicon)、Ubuntu 24.04+。
• 硬件：最低 4GB 显存（支持自动 CPU 卸载），推荐 8GB+ NVIDIA RTX 或 Apple Silicon。
• 注意：Intel Mac 用户需通过远程后端连接；AMD GPU 用户在 Linux 下可获得 ROCm 加速支持。