Loading...
← AIPG News
开源 91 / 100 09-04 09:27

VoiceStudio:本地优先的 AI 声音工作室,覆盖克隆、配音与转写

开源项目 VoiceStudio 将声音克隆、语音合成、视频配音、有声书制作和语音转写整合到桌面端,并默认把数据与生成文件保存在本机。

VoiceStudio 是一款以本地运行为优先的开源 AI 语音制作平台。用户可以使用一段简短的参考音频克隆说话人的声音,也可以根据年龄、口音、音高、风格和表达方式等描述设计新声音。

面向多种语音工作流

其视频配音流程包括转写、翻译、保留说话人、合成和导出,适合需要在多个语言版本之间处理视频的用户。项目还支持多角色故事、有声书制作、EPUB/PDF 导入、章节渲染、.m4b 导出、系统级听写、声音与背景分离、说话人识别以及批量任务处理。

引擎选择决定实际能力

项目内置或接入 16 个 TTS 引擎和 11 个 ASR 引擎。可用语言、声音克隆能力、平台兼容性和资源需求取决于所选模型。用户可以通过模型目录安装、删除、选择和切换引擎,因此在部署前需要根据目标语言、硬件和模型授权情况进行核对。

本地隐私与合成音频标识

默认情况下,声音、项目、设置、转写结果和生成文件都会留在本机。远程工作节点、外部 ASR 服务和分析功能需要主动开启。VoiceStudio 还集成 AudioSeal 水印,用于检测合成音频,并明确建议用户只有在获得说话人授权后才能进行声音克隆。

桌面端与服务端架构

桌面端采用 Tauri v2 与 Rust,界面使用 React 和 Vite,并通过 IPC、本机 HTTP、SSE 和 WebSocket 与后端通信。运行在 3900 端口的 FastAPI 后端负责 REST 路由、流式服务、TTS/ASR 引擎注册、配音和长音频处理,同时提供兼容 OpenAI 的音频 API 与 MCP 服务。SQLite 和 Alembic 将应用状态保存到 omnivoice_data/。

部署入口

项目为 macOS 13.3+ Apple Silicon、Windows 10/11 x64 和 Linux x86_64(glibc 2.39+)提供预构建安装包。Docker 配置覆盖 CUDA、ROCm、CPU 以及仅运行 GPU Worker 的场景。首次启动会创建受管理的 Python 环境并下载默认模型,后续启动会复用已有环境和模型。源码运行需要 Node 20+ 或 Bun,以及 Python 3.11+。

声音克隆应建立在说话人明确授权的基础上;本地运行可以减少数据外传,但不会替代合规与授权判断。

对 AI 工具导航用户而言,VoiceStudio 的核心价值在于把多引擎语音工作流集中到本地桌面应用中。选择它之前,应重点确认目标模型的语言和克隆能力、设备是否支持 CUDA/MPS/MLX/ROCm、磁盘与算力需求,以及是否需要远程工作节点。

来源