Voicebox 这个项目在 GitHub 上 40k 多 star，1 月份才建仓，半年冲到 v0.5.0。我前几天装了试了下，感觉这东西把语音 AI 这件事想明白了——不是又做了一个 TTS 包装器，而是把语音输入（听写）、输出（合成+克隆）、Agent 交互整成一个闭环，全跑在本地。
之前我一直在用某个云服务的 TTS，按字符计费不说，每次生成都得把文本传上去。偶尔想批量做点播客旁白，账单能让人犯高血压。WisprFlow 的全局听写很方便，但它是另一家的方案，跟 TTS 根本不在一个体系里。Voicebox 把这两件事都做了。
装的过程没什么可说的，macOS 直接下 DMG 拖进 Applications。Windows 有 MSI。Linux 暂时得从源码编译，官方文档还算清楚。装完第一次启动会自动下载模型，看你要用哪些引擎，Qwen3-TTS 那个 1.7B 大概要下 4GB 多。用 MLX 后端跑的话，Apple Silicon 上推理比 PyTorch 快好几倍。
有意思的几个点：
7 个 TTS 引擎随便切。不是那种”给你两个选项看着办”的做法，是每种场景有不同选择。要质量就用 Qwen3-TTS 1.7B，想省资源跑 LuxTTS（1GB 显存、CPU 上 150 倍实时速度），做多语言有 Chatterbox Multilingual 覆盖 23 种语言。切换引擎的时候不需要重新加载整个应用，就是下拉菜单选一下的事。Kokoro 那个 82M 的小模型质量居然还不错，做快速预览很实用。
语音克隆几秒就够。上传 5-10 秒的参考音频就能生成一个 Voice Profile，然后拿这个音色去合成任意文本。自己试了下中文效果——Qwen3-TTS 的中文自然度明显是最好的，语调停顿都挺自然。Chatterbox Multilingual 覆盖面广但中文有些字发音差点意思。这个不是模型的问题，是当前开源 TTS 的普遍情况。
MCP 支持让 Agent 开口说话。这是最意外的功能。Voicebox 内置了 MCP 服务器，暴露 voicebox.speak 和 voicebox.transcribe 两个工具。Claude Code、Cursor 这些支持 MCP 的 Agent 可以直接调用，用你克隆的音色播报结果。试了一下让 Claude Code 改完代码后念一句”搞定了”，感觉比看终端输出舒服不少。不过目前 MCP 走的是 HTTP 传输（端口 17493），stdio 方式要用一个 Rust shim 包装，略显麻烦。
后处理效果不是摆设。用了 Spotify 的 pedalboard 库，Pitch Shift、Reverb、Delay、Compressor 之类 8 种效果。内置了 Robotic、Radio、Echo Chamber 几个预设，调参手感跟 DAW 插件差不多。这个功能对做播客和配音的人可能比 TTS 本身还重要。
几个不太满意的地方：
长文本生成其实挺慢的，虽然做了自动分块+交叉淡入，但几千字的文章生成下来得等几分钟，看引擎和硬件。二是 Stories 编辑器的交互还比较早期，拖拽偶尔不太跟手，更像技术预览。三是模型管理——7 个引擎每个都有自己的模型文件，全装下来轻松 15-20GB，目前没有”一键卸载不用引擎”的快捷操作，得手动去设置里一个一个卸。
话说回来，这东西才半年，v0.5.0，有这些问题不奇怪。如果你正好在找本地语音工具——不管是做视频配音、播客旁白，还是想让 Agent 有声有色地跟你交互——Voicebox 目前是这件事上最好用的开源选择。