AI 语音这两年进步很快。一段文字能用很像真人的声音读出来，一段视频里的话也能翻译成别的语言重新说出来。

把文字变成声音，叫 语音合成 ，把声音变成文字，叫 语音识别 。

市面提供这两种服务的语音工具，大多是网页服务，注册账号、充值、上传素材，用完再下载。方便归方便，但素材要上传到别人的服务器， 想想总觉得不是很舒服。

现在有一个叫做 VoiceStudio 的开源项目，就是冲着这些别扭来的。它的思路，就是把语音能力，变成一个跑在你电脑上的软件。

VoiceStudio 是一个开源的桌面应用，装上之后，你的电脑就成了一间能处理声音的 本地工作室 。不需要账号，不需要 API 密钥， 没有订阅，也不按用量计费 ，联网服务只有你主动开启才会用到。

它能做什么？

语音克隆。做视频想要固定旁白声、又不想每次都自己录的人，多半会用到它。

克隆好的声音可以存进声音库，下次直接调用。不想克隆任何人，也可以设定性别、年龄、口音、音高等属性， 凭空定制一位发音人 ，比如一个播音腔或说书腔。

有了声音就能做内容。

视频配音。这是一个流程很长、也 很有代表性 的功能，先把原话转成文字，再翻译、用克隆声音重读，最后合成回视频输出 MP4。多个人说话时，它会先分清谁在什么时候说话，再给每个人分配不同的声音。

电子书也可以变有声书。导入 EPUB 或 PDF，导出的就是手机能放的 .m4b。

这些能力大多来自 现成的开源引擎 。VoiceStudio 把 16 个语音合成引擎和 11 个语音识别引擎集成到一个界面，可以在设置或模型目录里切换。

不同引擎也各有侧重，有的中文和方言表现好，有的速度快、有的适合低配电脑。

默认的那个，覆盖的语言最多， 官方口径 646 种 。

怎么装怎么用？

最方便的，可以到 GitHub Releases 页下载对应系统的安装包，macOS 是 DMG，Windows 是 MSI，Linux 是 AppImage，双击按提示装。

首次打开会自动准备环境并下载默认模型，这一步只做一次，以后再打开就能直接用。官方建议预留 10 GB 可用空间，模型和缓存都算在内。

硬件上，最低 8 GB 内存、4 GB 显存。显存 8 GB 或以下的显卡，会在语音识别时自动把合成模型挪到 CPU，没有独显也能 纯 CPU 跑 ，只是慢一些。推荐 16 GB 内存加 8 GB 以上显存，大致相当于 RTX 3060 这一档。还有 两个限制 ：Intel 老款 Mac 无法本地运行引擎，Windows 的 AMD 显卡也只能用 CPU。

生成第一个克隆声音只需三步：打开语音克隆，放一段参考录音， 输入一句话，点生成 。第一次跑通，其余功能照同样思路操作就行。

不想装软件，可以用 Docker 跑官方镜像，或在 Google Colab 免费档用 T4 显卡 在浏览器里体验 。会编程的人还能把脚本指向本机的 OpenAI 兼容接口，或用 MCP 让 AI 工具调用这些能力。

效果方面，克隆效果和参考录音关系很大，干净近麦的声音更好。配音不理想时， 问题多半出在转写环节 ，换识别引擎或更干净的源音频更有效。

回到开头说的那几处别扭。

素材离开电脑，按量付费，声音还留在别人的平台上。VoiceStudio 做到的，就是把能力放回自己的电脑， 把引擎的选择权也留给自己 。它未必处处比商业服务省心，好在它开源，数据不出本机，更新的节奏也快。

如果只是偶尔用一次，网页服务依然方便。

若你把声音创作当长期的事，在意素材不出电脑、费用可控、能自己挑引擎，那 花一个下午把它装起来试一次 ，多半值得。

项目地址：https://github.com/debpalash/VoiceStudio