VoiceStudio是一款功能强大且完全免费开源的本地AI语音克隆与合成工作台，致力于把先进的多引擎语音创作能力带入用户的本地电脑，成为替代传统云端语音服务的离线解决方案。该平台整合了16款高效TTS文本转语音引擎与11款ASR语音识别引擎，能够覆盖并支持多达646种全球语言与地方口音。软件提供零样本音色克隆、参数化声音设计、视频离线配音流水线、高精度语音转写以及多角色有声书合成等核心功能。用户既可以通过直观易用的图形界面完成音频制作，也能利用其内置的OpenAI兼容API与MCP Server接口进行二次开发与自动化流程集成，全方位满足创作者与开发者对声音资产管理与高质量语音生成的需求。

软件核心优势

1、全离线运行保障数据安全
所有的音频合成与识别均在本地硬件设备上独立运行，无需依赖网络连接或注册账号，音源素材与生成成果全程保留在本地，有效杜绝隐私外泄。
2、丰富引擎支持多语言创作
内置多种TTS与ASR技术引擎，能够对超过640种语言和方言实施语音克隆与转换，轻松应对各种跨国或方言场景的制作需要。
3、一体化音频制作生产流水线
将音色克隆、新声音设计、视频音轨配音、转写及有声书制作等任务集中在统一客户端内完成，大幅简化音频制作的复杂流程。
4、提供丰富的接口与自动化支持
开放与OpenAI兼容的API与MCP Server服务，方便开发者将本地语音合成服务嵌入第三方软件或AI Agent自动化处理链中。

VoiceStudio快速上手指南

1、模型配置：首次运行软件会配置必要的运行环境，请务必前往“Settings → Models”页面下载所需的TTS模型，以启用语音合成功能。

2、音色克隆：打开“Voice Clone”功能模块，导入一段长度为5至15秒且音质清晰的单人语音样本，输入目标文本后点击生成，即可实现专属声音的配音。

3、参数捏音：在没有参考音频的情况下，可在“Voice Design”模块中通过自定义性别、年龄段和情绪语气等参数生成全新声线，并可微调步骤参数来平衡速度与音质。

VoiceStudio的适用人群

1、自媒体与内容创作者
适合短视频制作人、播客主播和有声书配音员。利用零样本克隆可快速保持固定音色，配合视频配音流程可高效完成抽取音轨、翻译、重新配音和合成导出。
2、程序员与AI应用开发者
借助其标准API接口，软件可直接充当本地语音生成后台，被Cursor或Claude等AI代理工具直接调用，快速构建自动化音频处理链。
3、注重数据合规与隐私的机构
因全本地架构，特别适合医疗、金融等敏感行业进行病历语音记录转写、内部培训视频多语言配音，确保核心商业资产不离开本地系统。
4、跨语言本地化团队
依靠强大的多语言引擎支撑，无需购买多套昂贵的在线服务，便能为一个游戏或教学项目快速生成数百种语言的配音。
5、游戏制作与虚拟形象团队
能够为NPC或虚拟主播定制海量独特音色，灵活调节语气、年龄与情绪参数，极大地丰富角色的表现力与沉浸体验。
6、教育教学与无障碍应用
能够把繁复的文本书籍批量转换为语音，制作多角色朗读的有声书，为视障碍人士阅读或语言学习者提供便利。
使用注意事项与局限：
- 追求即插即用的普通用户：由于软件需下载模型且对电脑显卡（建议显存8GB以上）有一定门槛，若仅偶有配音需求，云端工具可能更为便捷。
- 商业SaaS服务提供商：项目基于AGPL-3.0开源协议，对网络分发与衍生代码有严格开源要求，直接作为商业SaaS后台需注意合规或获取授权。

更新日志

v0.5.6版本

一、亮点

1、使用保存的语音进行问候来接听 Twilio 电话；默认关闭，带有本地电话质量测试

2、Claude Code、Cursor、Codex CLI 和 OpenAI Agents SDK 已连接到 VoiceStudio 并正常工作

3、替换已保存克隆的参考样本，并从 OmniVoice 中克隆长度超过 20 秒的参考

4、长音频书章节在 8 GB GPU 上完成，并能承受断电或数据文件夹移动

5、马拉雅拉姆语数字、章节提示表和没有语音标记标签的字幕

二、已更改

Voice Clone 说出活动引擎使用了多长的参考时间，而不是要求你缩短到 15 秒

三、已添加

1、编辑已保存的语音克隆的参考样本：播放它，通过上传或录制替换它，并保存回同一语音

2、以保存的语音接听 Twilio 电话：默认关闭，签名 Webhook 和一次性流令牌，带有本地电话质量测试

3、马拉雅拉姆语配音和有声读物会用马拉雅拉姆语说出数字、百分比和小数，而不是读出原始数字

4、在故事或有声书渲染完成后，下载一个章节提示表（HH:MM:SS<TAB>Title）——时间戳与 M4B 的嵌入式章节相匹配，并提供MP3便携式章节

5、OpenAI Agents 集成页面提供了一个可复制的代码片段，该代码片段在 VoiceStudio上运行 Agents SDK 语音管道

6、OpenAI兼容的API添加了GET /v1/models和POST /v1/audio/translations（多语言Whisper模型；拒绝turbo模型）

7、语音请求接受 stream_format (audio 或 sse) 和 OpenAI's {"id": ...} 语音对象

8、转录通过language, prompt和temperature传递给 Whisper 引擎，并返回words带有timestamp_granularities[]=word

9、集成：可复制的 Codex CLI (config.toml)、任何 MCP 客户端（HTTP 或 stdio）、VoiceStudio API (curl 和 OpenAI SDK) 以及 Docker/GHCR

四、已修复

1、粘贴和导入的字幕不再识别卡拉OK标签，未更改的WebVTT和SubRip导出文件会保留原始字幕标记

2、保存了声音并上传了超过20秒的音频，在OmniVoice上重新克隆；最佳片段会自动挑选

3、VoxCPM2 不再将一个有上限的参考与整个片段的文本配对

4、说话人分割使用 Lightning 2.6.6，该版本阻止了来自恶意检查点的代码执行

5、在 8 GB GPU 上，长篇有声书章节在渲染时不再超时，并且超时章节会在当前分块后停止使用 GPU

6、在 Windows 上，重置连接不再让后端保持运行但无法访问

7、官方openai SDK 和 OpenAI Agents SDK 保持不变：gpt-4o-mini-tts并且当前 OpenAI 的语音名称不再因“未知模型”而失败

8、OpenAI instructions现在能够被语音引擎识别，而不是被忽略；OmniVoice 使用其中的语音设计标签

9、语音 pcm 为 24 kHz，正如 OpenAI 所指定的；aac并且 opus 返回真实的 AAC 和 Opus，而缺少编码器则是一个明显的错误，而不是一个标签错误的 WAV

10、转录报告会报告检测到的语言，而不是总是显示英语，并且verbose_json分段遵循 OpenAI 的模式

11、OpenAI兼容的路由返回OpenAI格式的错误，对于无效请求返回400

12、渲染的有声书章节在数据文件夹移动后仍可重用，并且关机不再清空恢复点或损坏章节音频

13、一个音频书章节缓存未命中现在会记录自缓存渲染以来哪些输入发生了变化

14、MCP 客户端指向 /mcp 在 Docker 上连接并从源构建，而不是获取 HTTP 405

15、MCP 工具和backend.speech_client 遵循一个后端，使用OMNIVOICE_PORT 而不是假设端口 3900

16、集成卡片显示真实能力：“支持 VoiceStudio”仅在存在设置时有效，其他地方均为“外部链接”