# VoiceStudio：63k star 的本地版 ElevenLabs，克隆、配音、有声书一个桌面应用搞定

**URL:** <https://aigcbbs.com/t/voicestudio-local-voice-clone-dubbing/68>\
**Category:** 工具资源\
**Tags:** ai短剧, 分享\
**Created:** [2026 年10 月 14 日 04:17 UTC](https://aigcbbs.com/t/voicestudio-local-voice-clone-dubbing/68 "2026-10-14T04:17:21Z")\
**Posts on this page:** 1\
**Page:** 1

<div class="post-metadata">

**Author:** ![resource\_desk](https://aigcbbs.com/user_avatar/aigcbbs.com/resource_desk/32/17_2.png) [@resource\_desk](https://aigcbbs.com/u/resource_desk)\
**Post date:** [2026 年10 月 14 日 04:17 UTC](https://aigcbbs.com/t/voicestudio-local-voice-clone-dubbing/68/1 "2026-10-14T04:17:21Z")

</div>

做短剧的朋友算过账没有：画面靠视频模型已经很便宜了，声音还在按字数给 ElevenLabs 付费，或者在 GPT-SoVITS、CosyVoice、IndexTTS 之间来回装环境。

VoiceStudio 想把这些收进一个桌面应用里：克隆声音、凭一段描述“设计”新声音、给整段视频配音、做有声书、听写转写，全部在本机跑。它在 GitHub 上已经 63.7k star，10 月 14 日还以单日 +1748 star 挂在 Trending 前排；10 月 13 日发的 v0.5.7 让没有独立显卡的电脑也能装了。

![VoiceStudio 界面导览](https://aigcbbs.com/uploads/default/original/1X/67a9334f981c4df90db39c47d81cef8a380de7ba.gif)

（图：VoiceStudio 仓库 README 中的界面导览动图）

## 它其实是个“引擎调度台”

VoiceStudio 自己不训练模型，默认引擎是 k2-fsa 的 OmniVoice，在模型目录里（Ctrl/Cmd+E）可以切换十几种：

| 引擎 | 设备 | 适合 |
| --- | --- | --- |
| OmniVoice（默认） | CUDA / MPS / CPU | 通用克隆，建议 6GB 以上显存 |
| OmniVoice GGUF | CUDA / MPS / CPU | 小显存、纯 CPU 机器 |
| IndexTTS 2.5 | CUDA / CPU | 情绪戏：支持情绪参考、情绪向量、文字指定情绪 |
| CosyVoice 3 / GPT-SoVITS | CUDA / 外部服务 | 中文社区老朋友，可以直接接进来 |
| VoxCPM2 | CUDA / MPS / CPU | 克隆 + 声音设计 |
| MLX-Audio | Apple Silicon | Mac 用户 |

识别这边默认 WhisperX（词级时间戳 + 说话人分离），中文可以换 FunASR（SenseVoice）。

## 视频配音怎么跑

一次配音分五步：提取音频并分离人声 → 转写（带说话人）→ 翻译（接大模型时并行 6 路）→ 逐段合成 → 混音导出。最慢的是逐段合成，每段的精确对齐由最后的“贴合”阶段负责。

克隆参考音频的几条经验，文档里写得很细：

- 推荐 **5–15 秒干净人声** ，最长 75 秒
- OmniVoice 最多用 20 秒，更长时会自动挑出说话最密集的 15 秒
- 参考超过 20 秒又手动附了整段文字稿，会报 `clone_ref_too_long`，把音频和文字裁成同一段就好
- 生成突然变慢、CPU 跑满，先看声音档案的“文字稿”是不是空的，空的话每次都要多跑一遍识别

## 能接进 Agent 流水线

打开应用就有一个 MCP 服务（默认 `http://localhost:3900/mcp/`），提供 `generate_speech`、`clone_voice`、`design_voice`、`transcribe` 等工具，“集成”页能直接导出 Claude Code、Cursor、Codex 的配置。前两天聊的 [OpenFilm](https://aigcbbs.com/t/openfilm-open-source-ai-video-agent/61) 这类 Agent 出片项目，配音环节就可以换成本地的了。建议设 `OMNIVOICE_MCP_OUTPUT_MODE=files`，让音频落盘只回传路径，别让 base64 把上下文撑爆。

## v0.5.7 要留意的两个变化

- **无独显电脑可用** ：装约 5GB 的 CPU 版 PyTorch，能用但慢不少，建议配 GGUF 或轻量引擎；Windows 上 AMD、Intel 显卡仍然走 CPU
- **默认模型要先接受许可** ：OmniVoice 等没有明确商用许可的模型，要在模型目录里点一次接受，否则 API 和 MCP 会返回许可错误。另外远程算力、GPU 共享这些功能挪到了付费 Pro 版，“配方”、监听文件夹和声音克隆仍然免费

安装：macOS / Linux 用 `curl -fsSL https://voicestudio.sh/install | sh`，Windows 用 PowerShell 运行 `irm https://voicestudio.sh/install | iex`，也可以去 Releases 下载安装包。安装包没签名，首次打开会弹信任警告。

## 授权别忽略

应用是 AGPL-3.0，但 **模型授权要逐个单独看** ，README 写明应用许可不包含模型权利，audio.cpp 的 Breeze-TTS-2 权重就是仅限非商用。克隆真人声音一定先拿到本人授权，README 原话就是“Clone voices only with permission”。

官方基准表现在还是空的，维护者在等社区交数据。有在用的朋友，可以说说你的显卡、用的哪个引擎、配一分钟视频要多久？中文情绪戏 IndexTTS 2.5 和 CosyVoice 3 哪个更顺？

> **[GitHub - debpalash/VoiceStudio: VoiceStudio is the open-source, fully-local...](https://github.com/debpalash/VoiceStudio)**
>
> VoiceStudio is the open-source, fully-local ElevenLabs alternative — voice cloning, voice design, video dubbing, dictation, transcription & audiobook creation in 646 languages.

更新日志：[VoiceStudio/CHANGELOG.md at main · debpalash/VoiceStudio · GitHub](https://github.com/debpalash/VoiceStudio/blob/main/CHANGELOG.md)  
引擎指南：[VoiceStudio/docs/engines/README.md at main · debpalash/VoiceStudio · GitHub](https://github.com/debpalash/VoiceStudio/blob/main/docs/engines/README.md)  
官网：[https://voicestudio.sh](https://voicestudio.sh)