Voicebox: открытая AI-студия клонирования голоса

«Clone any voice. Generate speech. Dictate into any app. Talk to agents in voices you own.» — README проекта

Voicebox — это local-first AI-студия звука, бесплатная альтернатива ElevenLabs и WisprFlow в одном приложении. Проект создан разработчиком Джейми Пайном (автором Spacedrive) и распространяется с открытым исходным кодом на GitHub.

Что такое Voicebox

Это полный стек голосового ввода/вывода, работающий локально на вашей машине. Два облачных лидера — ElevenLabs (вывод) и WisprFlow (ввод) — закрывают лишь по половине цикла. Voicebox делает и то и другое, объединяя их с локальной LLM для уточнения транскриптов и поддержки персон.

Система построена на философии «local-first»: все веса моделей, голосовые данные и процессы генерации остаются на железе пользователя, обеспечивая полную приватность.

Приложение сочетает рабочий процесс DAW (Digital Audio Workstation) с современным машинным обучением, позволяя создавать голосовые профили, генерировать речь и компоновать многоголосые проекты без единой строки кода.

Ключевые возможности

🎤 Клонирование голоса

Клонирование голоса из нескольких секунд аудио, генерация речи на 23 языках через 7 TTS-движков, диктовка в любое текстовое поле с глобальной горячей клавишей и возможность дать голос любому MCP-агенту.

Движки: Qwen3-TTS, Qwen CustomVoice, LuxTTS, Chatterbox Multilingual, Chatterbox Turbo, HumeAI TADA и Kokoro — плюс 50+ готовых пресетных голосов.

🗣️ Системная диктовка

Удержите настраиваемую комбинацию клавиш (по умолчанию: right-Cmd + right-Option на macOS, right-Ctrl + right-Shift на Windows), скажите фразу, отпустите — плавающая подсказка на экране пройдёт через этапы «запись → транскрибирование → уточнение → готово», и текст вставится в нужное поле.

Voicebox использует OpenAI Whisper для транскрибирования — ту же модель, что стоит за диктовкой, вкладкой Captures и API /transcribe.

🎭 Выразительная речь и эффекты

Широчайшее языковое покрытие — арабский, датский, финский, греческий, иврит, хинди, малайский и другие. С Chatterbox Turbo можно вставлять паралингвистические теги вида [laugh], [chuckle], [gasp], [cough], [sigh].

8 аудиоэффектов на базе библиотеки Spotify Pedalboard: применяются после генерации, можно предпросматривать в реальном времени и сохранять пресеты. Встроены 4 готовых пресета: Robotic, Radio, Echo Chamber, Deep Voice.

📖 Stories Editor — многодорожечный редактор

Во вкладке Stories можно создавать разговоры между несколькими спикерами с помощью мультидорожечной временной шкалы, как в аудио- и видеоредакторах: расставлять блоки, обрезать, разбивать или перегенерировать их.

Отличный сценарий использования — подкасты, аудиокниги и разработка игр с AI-голосами.

🤖 MCP-интеграция (агенты со своим голосом)

MCP-совместимые агенты — Claude Code, Cursor, Spacebot — могут отвечать через экранный пузырь одним из ваших клонированных голосов.

Репозиторий содержит преднастроенный .mcp.json в корне — запуск Claude Code внутри этого checkout автоматически подхватывает инструменты Voicebox MCP.

🔌 REST API

Локальный REST API на 127.0.0.1 предоставляет эндпоинты для генерации, транскрибирования и управления профилями — для автоматизации.

Пример запроса:

# Генерация речи
curl -X POST http://localhost:17493/generate \
  -H "Content-Type: application/json" \
  -d '{"text": "Привет, мир!", "profile_id": "abc123", "language": "ru"}'

# Получить список голосовых профилей
curl http://localhost:17493/profiles

Архитектура и стек технологий

graph TD
    A[Пользователь] --> B[Tauri Desktop App]
    B --> C[React Frontend]
    C --> D[Python FastAPI Backend]
    D --> E[TTS-движки]
    E --> E1[Qwen3-TTS]
    E --> E2[Chatterbox Turbo]
    E --> E3[Kokoro]
    E --> E4[LuxTTS]
    E --> E5[HumeAI TADA]
    D --> F[OpenAI Whisper STT]
    D --> G[Локальная LLM]
    D --> H[MCP Server]
    H --> I[Claude / Cursor / Agents]

Для сборки из исходников потребуются: Bun, Rust, Python 3.11+, зависимости Tauri и Xcode на macOS.

Установка — нативное Tauri-приложение для macOS, Windows и Linux (или Docker-образ); при первом запуске скачиваются локальные TTS-модели.

Тарифы и цены

Voicebox — полностью бесплатная open-source альтернатива, работающая целиком на вашей машине. Никаких подписок, лимитов на символы или платы за использование нет.

Актуальные цены ElevenLabs (проверено 18 июля 2026): Free — $0, Starter — $6, Creator — $22, Pro — $99, Scale — $299, Business — $990 в месяц.

Плюсы и минусы

Сравнение с альтернативами

ElevenLabs — лидирующая облачная платформа клонирования и TTS: организации выбирают Voicebox, чтобы убрать посимвольную тарификацию и не хранить биометрические отпечатки голоса на стороннем сервере.

Coqui XTTS — это движок и тулкит для самостоятельной интеграции, а не упакованная десктопная студия с GUI.

Вердикт

Рейтинг: 8/10

Voicebox — ставка на то, что растущий сегмент пользователей (разработчики, privacy-conscious создатели, команды, которые не могут отправлять аудио на внешние серверы) хотят чего-то другого: local-first, бесплатно, с открытым кодом.

Кому подойдёт:

• 🧑‍💻 Разработчикам — для голосовых агентов, домашних ассистентов, автоматизации через REST API
• 🎙️ Подкастерам и аудиокнигмейкерам — Stories Editor с мультитреком и клонирование голосов
• 🔒 Privacy-focused пользователям — все данные строго локально
• 🌐 Мультиязычным проектам — 23 языка, включая редкие
• 🤖 AI-энтузиастам — MCP-интеграция с Claude, Cursor и другими агентами

Кому не подойдёт:

• Профессиональным студиям, где критично максимальное качество клонирования (ElevenLabs Pro всё ещё впереди)
• Пользователям без GPU или мощного железа
• Командам, которым нужна enterprise-поддержка и SLA

ElevenLabs по-прежнему превосходит по потолку качества вывода — для профессиональной коммерческой работы. Но качество Voicebox действительно отличное, просто не идентичное.

Для большинства сценариев — личных проектов, инди-разработки, приватного использования — Voicebox уже сегодня является полноценной заменой платным облачным сервисам.

GitHub: github.com/jamiepine/voicebox
Сайт: voicebox.sh