VoiceStudio：在自己电脑上做声音克隆和视频配音的开源应用，默认模型仅限非商用
01它解决什么问题
做教程、短视频或有声书时，常见做法是把文字交给在线配音服务，按字数或额度付费，录音也要上传。VoiceStudio 把这类工作搬到本机：选好本地模型后，生成语音、转写录音都在自己的硬件上完成。按官网 的说法，它不需要账号，只在检查更新或下载模型时联网。
比如文案改了一句，可以在本地重新生成这段旁白，不用再走一次付费接口。这是本地方案的主要好处；代价是要自己准备硬件、下载模型，并承担模型许可的核对工作。
02主要功能
| 功能 | 能做什么 |
|---|---|
| 声音克隆 | 用一段干净的参考录音生成同一音色的语音。官网称三秒参考音频即可，本站未测试 |
| 声音设计 | 用文字描述想要的声音（如性别、年龄、音调、风格），生成一个新音色 |
| 视频配音 | 把视频里的语音转写、翻译成其他语言，再按原时间轴逐段合成并混音 |
| 听写与转录 | 悬浮窗听写到任意输入框；把音频文件转成文字，可区分说话人 |
| 故事与有声书 | 给剧本的不同角色分配声音；按章节生成整本书的音频；支持批量任务 |
| 本地接口 | 本机 3900 端口提供 HTTP / WebSocket 接口和 MCP 服务，Claude Code、Cursor 等 Agent 可直接调用合成、克隆和转录 |
官方称支持 646 种语言，这一数字主要来自默认模型 OmniVoice，其模型卡 写的是“600 多种语言”。默认之外还能在模型管理里切换 CosyVoice 3、IndexTTS 2.5、GPT-SoVITS 等十多个合成引擎，转录默认用 WhisperX，完整清单见功能与引擎目录 。不同引擎支持的语言和质量不同，646 种并不适用于每个引擎（本站推断）。
视频配音的翻译环节，开箱只带 Argos 和 NLLB 两个本地翻译引擎；Google、DeepL 或大模型翻译需要另装组件，并会调用对应的在线服务（故障排查文档 ）。
03对电脑的要求
官网称约 8 GB 内存即可起步，有显卡只是更快。具体支持情况如下（摘自 README 和安装文档）：
| 硬件 | 情况 |
|---|---|
| NVIDIA 显卡（Windows / Linux） | CUDA 加速 |
| Apple Silicon Mac | Metal（MPS）加速；需 macOS 13.3 或更新，约 10 GB 磁盘空间 |
| 无独立显卡的电脑 | 可以只用 CPU 运行，会装 CPU 版 PyTorch，约需 5 GB 磁盘空间 |
| Windows 上的 AMD / Intel 显卡 | PyTorch 引擎只能走 CPU；audio.cpp 引擎可通过 Vulkan 使用 Radeon |
| Windows on ARM | 实验性，仅 CPU，尚未完成验证 |
| Intel Mac | 只能运行界面，需要连接另一台机器上的后端 |
速度差距要有心理准备。官方性能说明 称，CPU 渲染通常比 GPU 慢 10 到 50 倍，纯 CPU 约比 Apple Silicon 慢一倍；每次启动后的第一次生成也最慢，因为要先加载模型。Intel Mac 不支持本地后端，是因为 PyTorch 已不再提供 Intel Mac 版本，而项目依赖更新的 PyTorch。
部分功能还需要 Hugging Face 账号：说话人区分和较大的合成模型推荐配一个免费令牌。
04安装
macOS / Linux 用第一行命令安装最新版；Windows 在 PowerShell 里运行第二行。也可以从 Releases 下载 .dmg、.exe、.AppImage 或 .deb，另有 Docker 部署方式。
curl -fsSL https://voicestudio.sh/install | sh # Windows PowerShell： irm https://voicestudio.sh/install | iex
装好后打开 Voice cloning，选一个声音或添加一段参考录音，输入文字并生成；首次使用会提示下载所需模型。Python 环境、FFmpeg 和模型由应用自己下载，打包版不需要另装开发工具。以上步骤摘自官方文档，本站未实际安装。
05许可：应用能商用，默认模型不能
这是使用前最需要弄清的部分。VoiceStudio 的许可分两层：
- 应用本身：AGPL-3.0 ，可免费使用、修改，包括商业和公司内部使用。附加义务是：如果修改后通过网络提供给他人使用，必须向这些用户公开修改后的完整源码。
- 想把它嵌进闭源产品又不想开源，可以买官方的商业许可（VoiceStudio Pro，官网标价每年 99 美元或一次性 299 美元），Pro 还附带多设备等额外功能。
- 模型权重：不受应用许可约束，各自沿用原许可。默认的 OmniVoice 代码是 Apache 2.0，但预训练权重是 CC-BY-NC（非商业），原因是训练数据的限制；它的音频分词器还附带 Boson Higgs Audio 2 和 Meta Llama 社区条款。官方明确说，买了 Pro 商业许可也不能替代这些模型条款。
模型管理器会显示各模型的许可说明和尚未核实的部分，但许可说明文件 写明，这些提示不代表已确认可商用，“未知”也不等于允许。因此，用默认模型做商业配音或有声书并不合规；要商用，得换一个权重许可允许商用的引擎，并自己逐项核对（本站推断）。
声音使用方面，官方要求只在获得声音主人许可时克隆，禁止冒充和诈骗。功能列表里另有 AI 水印，生成的音频在后处理阶段会加水印。
06适合谁
- 做教程、短视频、播客的个人创作者，需要反复改稿、重新生成旁白，且是非商业用途或愿意自己核对模型许可。
- 需要把视频配成多种语言的人，可以先在本地完成转写、翻译和配音的初稿。
- 开发者和 Agent 用户，想要一个本地、兼容 OpenAI 转录接口的语音服务，或让 Agent 通过 MCP 直接生成语音。
- 不太适合：只有 Intel Mac 的用户；打算直接用默认模型做商业项目的团队；对生成速度有要求、却只有 CPU 的机器。
DeepSeek
Claude Code
Timestral