Voicebox 是一个本地优先的开源 AI 语音工作台，基于 TypeScript 与 Tauri，整合多种 TTS 引擎、声音克隆、Whisper 转录、全局听写，并通过 MCP 让智能体用克隆声音说话。
项目做什么
项目目的是把语音输入与输出这两段流程合并到一个本地运行的应用里：用少量参考音频克隆音色、用多种 TTS 引擎生成语音、通过全局热键把口述内容输入任意文本框，并让支持 MCP 的智能体以用户自己拥有的声音发声。它试图在不上传数据的前提下，为个人用户提供覆盖语音生成与语音采集的完整本地 I/O 栈，同时通过 REST API 与内置 MCP 服务器把这些能力开放给外部应用和智能体使用。
与同类方案相比
按 README 描述，其特点包括：模型、声音数据与录音均留在本机；提供 7 个 TTS 引擎与 23 种语言；支持零样本克隆以及 Kokoro、Qwen CustomVoice 的预设音色；具备音高、混响、延迟等 8 种后处理效果与 4 个内置预设；超长文本按句自动分块并交叉淡化拼接，上限 50000 字符；多轨 Stories 编辑器；全局听写热键与可选的 LLM 润色；跨 macOS、Windows、Linux 及多种 GPU 后端运行。以上均为项目自述，尚未经独立验证。
设计与创新
其自述的差异点在于把生成侧与识别侧放在同一个本地应用中，并用同一个系统级悬浮提示条统一呈现 recording、transcribing、refining、speaking 四种状态，使听写与智能体播报共享一套交互模型；同时内置本地 Qwen3 小模型承担人格改写与听写清理，语音克隆的人格可被 MCP 调用。它还给出 voicebox.speak 这一单一工具调用，让 Claude Code、Cursor、Cline 等 MCP 客户端出声。这些设计是否真正独特，README 未提供对比依据，无法核实。
适用场景
README 列出的使用场景包括：制作对话、播客与叙事类音频的多轨编辑；为游戏与叙事工具提供可交互角色配音；在任意文本框中进行全局听写；把问答或任务完成通知以克隆声音播报给使用 MCP 的智能体开发流程；以及为无法用原本声音说话的人提供语音辅助。此外，Captures 中保存的每次听写与录音可重新转录、润色、或提升为声音样本，REST API 与 /speak 端点也适合脚本、自定义框架或非 MCP 的集成方式。
谁会受益
对重视数据本地化、同时需要语音输入与语音输出的创作者和开发者，这个项目具有实用价值：桌面端以 Tauri 而非 Electron 构建，官方提供 macOS DMG、Windows MSI 与 Docker 运行方式；内置 REST API 与 MCP 服务器降低了把语音能力接入自建应用或智能体的门槛；多引擎切换、音色配置的导入导出、模型卸载与自定义模型目录等管理功能，便于在实际工作中调整资源占用。不过实际语音质量、延迟与稳定性仍需本地实测。
使用前需要注意
README 中存在若干无法核实或需要留意的地方：与 ElevenLabs、WisprFlow 的对比属于项目自我表述，没有公开基准或评测数据；4-5 倍加速、150 倍实时、700 秒以上连贯音频等性能数字未给出复现条件与硬件细节。功能层面，表情与副语言标签目前只有 Chatterbox Turbo 支持，其他引擎会把标签当作普通文本朗读；Linux 暂无预编译二进制，需自行编译；仓库虽有 LICENSE 文件，但简介未说明具体许可条款，因此许可证类型与商用条件无法据此判断。
本文基于抓取时的项目 README 和仓库简介整理；功能、限制与文档可能随项目更新而变化。