简介

Voicebox是一款本地优先的开源语音克隆工作室，号称是ElevenLabs的免费替代品。只需几秒音频就能克隆声音，支持23种语言、5种TTS引擎，所有数据都留在你的电脑上——对隐私敏感的内容创作者来说，这简直是神器。

核心功能

  • 声音克隆：从几秒音频样本快速克隆任意声音，支持多样本提升质量
  • 多引擎支持：内置5种TTS引擎（Qwen3-TTS、LuxTTS、Chatterbox Multilingual/Turbo、HumeAI TADA），各有特长
  • 23种语言：覆盖英语、中文、日语、阿拉伯语、印地语、斯瓦希里语等主流语种
  • 情感表达标签：使用[laugh]、[sigh]、[gasp]等标签让语音更生动自然
  • 后期音效处理：8种专业音效（变调、混响、延迟、合唱、压缩器、增益、高低通滤波器）
  • 多轨时间轴编辑器：适合制作对话、播客、有声书等多角色内容
  • 无限长度：自动分块+交叉淡入淡出，最长支持5万字符
  • REST API：可集成到自己的项目中

价格方案

方案价格功能限制
完全免费¥0全功能无限制，需本地GPU

💡 这是一款完全开源免费的工具！唯一成本是你的硬件（需要GPU） CPS链接：Voicebox官网 →

优缺点对比

优点缺点
完全免费开源，无使用限制需要本地GPU，硬件门槛较高
数据完全本地化，隐私安全模型体积较大（数GB）
支持23种语言，覆盖面广初次配置对新手不太友好
5种引擎可切换，灵活性强Linux版本需自行编译
支持情感标签，语音更自然英文效果优于中文等小语种
提供API，可二次开发无云端版本，必须本地运行

适合人群

强烈推荐给：

  • 视频创作者（配音、旁白）
  • 播客制作人
  • 有声书制作者
  • 游戏开发者（NPC配音）
  • 隐私敏感的企业用户
  • 有GPU的开发者

不太推荐：

  • 没有独立显卡的用户
  • 不想折腾配置的技术小白
  • 需要云端随时随地访问的用户
  • 追求极致中文效果的用户（目前英文效果最佳）

使用教程

1. 下载安装

访问 voicebox.sh 下载对应平台版本：

  • macOS（Apple Silicon/Intel）：DMG安装包
  • Windows：MSI安装包
  • Linux：需从源码编译

2. 创建声音档案

  • 点击"New Profile"创建新声音
  • 上传音频样本（或直接录制）
  • 支持多样本提升克隆质量
  • 添加描述和语言标签便于管理

3. 生成语音

  • 选择声音档案和TTS引擎
  • 输入文本（最长5万字符）
  • 可插入情感标签如[laugh]、[sigh]
  • 点击Generate开始生成

4. 应用音效

  • 生成后可添加后期效果
  • 使用内置预设（机器人、广播、回声等）
  • 或自定义音效链
  • 导出最终音频

购买建议

Voicebox完全免费开源，不需要购买。

但使用前请确认：

  • ✅ 你的电脑有NVIDIA显卡（推荐RTX 3060及以上）
  • ✅ 至少8GB显存（更高效果更好）
  • ✅ 足够的磁盘空间（模型约5-10GB）
  • ✅ 愿意花时间学习配置

如果你追求的是开箱即用的云端服务，ElevenLabs仍是首选。但如果你有硬件条件、重视隐私、想长期低成本使用——Voicebox绝对是最佳选择。

🎯 官方链接：Voicebox官网 → 📦 GitHub仓库：jamiepine/voicebox