一个人！1564次提交！14个TTS引擎！VoiceStudio把ElevenLabs从里到外拆了一遍！

内存泄漏

2026年8月15日 18:27
辽宁

在小说阅读器读本章

去阅读

以下文章来源于AI探知
，作者AI探知

AI探知
.

这是您探索人工智能奇妙世界的专属窗口。在这里，我们一同见证人工智能如何重塑现在与未来，开启一场充满惊喜与启迪的 AI 智慧之旅。

你有没有算过，用ElevenLabs做一条配音，要花多少钱？

轻度用户每月5美元，只够生成1万字符。如果你的视频频道每天出两条，光配音成本就能让你怀疑人生。更别提你的声音数据要上传到他们服务器，隐私这件事，基本靠信仰。

半个月前我写过voicebox，那个项目把ElevenLabs和WisprFlow做了个本地平替，当时觉得已经够猛了。结果最近又冒出来一个更狠的——VoiceStudio。

它的slogan是\"Make voices. Tell stories. Keep the files.\"——翻译过来就是：做声音，讲故事，文件归你。

简单粗暴，直击灵魂。

一个人搞出的\"语音全家桶\"

先说个让我震惊的事实：这个项目的主要开发者叫debpalash，基本是一个人干的。

1564次提交，41个贡献者（大部分是自动化工具），35个release版本，8月11日刚发布了5.0.0。从语音克隆到视频配音，从有声书制作到全局听写，一个人把这些功能全写完了。

我不是说一个人做就一定好，但这个工作量放在开源社区里，绝对属于\"不要命\"级别。

VoiceStudio的前身叫OmniVoice-Studio，8月7号刚改了名。改名的同时还发了5.0.0大版本，加了远程GPU Worker支持、安全加固、跨平台安装器一大堆东西。这节奏，像是打了鸡血。

14个TTS引擎+11个ASR引擎，卷到没朋友

VoiceStudio最让我服气的地方，是它的引擎数量。

14个TTS引擎：包括自研的VoiceStudio模型、CosyVoice 3、GPT-SoVITS、VoxCPM2、MOSS-TTS-Nano、KittenTTS、MLX-Audio、Sherpa-ONNX、IndexTTS 2.5、Supertonic 3等等。不同引擎各有特长——有的擅长多语言，有的在CPU上也能跑，有的情绪表达更自然。

11个ASR引擎：WhisperX、Faster-Whisper、MLX Whisper、Parakeet TDT、Moonshine、FunASR/SenseVoice、sherpa-onnx……基本把主流的语音识别方案全包了。

它还有一个智能路由系统：每次生成前自动检查你的GPU型号，告诉你哪个引擎能跑、哪个跑不动，不会偷偷给你切到CPU然后卡成PPT。

ElevenLabs呢？一个模型打天下，32种语言。VoiceStudio直接支持646种语言，翻了20倍。

3秒克隆你的声音，数据不离开电脑

语音克隆这个功能，现在已经是AI配音工具的标配了。但VoiceStudio的做法有几个不一样的地方：

第一，零样本克隆。 只需要3秒的参考音频，就能克隆出你的声音。不需要几个小时的数据集，不需要训练，录一段直接生成。

第二，完全本地运行。 你的声音数据不会上传到任何服务器。克隆出来的声音模型、生成的音频文件，全在你自己电脑上。在一个AI隐私泄露频出的年代，这一点太重要了。

第三，便携式声音档案。 你可以把克隆出来的声音导出为.ovsvoice文件，带走、分享、备份。这个格式包含了你的声音特征和AI水印信息。

说到这里就不得不提它的AI水印功能——用的是Meta开源的AudioSeal技术，在生成的音频里嵌入不可见的神经水印。这种水印能扛住压缩、转码，即使你把它上传到YouTube再下载回来，水印还在。

为什么需要水印？因为当AI克隆声音太容易的时候，鉴别\"这段音频是不是AI生成的\"就变成了刚需。VoiceStudio在这一点上想得比较远。

不只是配音，是完整的音频生产线

如果只是语音克隆+TTS，那VoiceStudio和市面上其他工具也没太大区别。但它真正让我觉得\"这东西有想法\"的，是围绕配音搭建的一整套工作流。

视频配音：完整的流水线——转录→翻译→合成→混流→输出MP4。支持场景感知分段、逐说话人声音分配、Smart Fit时间对齐。丢50个视频进去批量处理，然后去喝杯咖啡就行。

有声书制作：EPUB/PDF直接丢进去，自动分章节、多角色配音、生成.m4b文件。每个章节可以绑定不同的声音，进度实时显示，中断了还能断点续传。

多角色故事编辑器：给不同角色分配不同声音，写剧本式地编排对话，然后一次性合成。播客创作者应该会很喜欢这个功能。

全局听写快捷键：macOS上按⌘⇧Space，弹出一个浮动窗口，说完话自动把文字粘贴到你正在用的输入框里。本地LLM还能自动润色转录结果。这个功能直接对标WisprFlow，但完全免费。

MCP服务器：Claude Code、Cursor等支持MCP协议的AI工具可以直接调用VoiceStudio。一行命令接入，让你的编程Agent能说话、能听写。

OpenAI兼容API：一行代码替换

这可能是最骚的操作：VoiceStudio提供了一个和OpenAI完全兼容的API。

# 原来的代码client = OpenAI(base_url=\"https://api.openai.com/v1\")# 改成这行，完事client = OpenAI(base_url=\"http://localhost:3900/v1\", api_key=\"none\")

你之前用OpenAI或ElevenLabs SDK写的所有脚本、Agent、工作流，不用改一行代码就能在本地跑。甚至voice参数可以传你克隆的声音ID，model参数可以指定用哪个TTS引擎。

100多个API端点，完整REST文档直接嵌在应用里。远程调用也行，配个Tailscale就能在局域网其他设备上用。

技术架构：Rust+Python+React的混搭

VoiceStudio的技术栈也挺有意思。

Rust Shell：基于Tauri，负责原生系统集成——全局快捷键、系统托盘、自动更新、单实例锁。

FastAPI后端：100多个端点，SSE/WSS流式传输，SQLite数据库，Alembic迁移。

React前端：Zustand状态管理 + WebSocket事件总线，数据变了UI自动刷新。

引擎层：14个TTS + 11个ASR + Demucs（人声分离）+ Pyannote（说话人分离）+ AudioSeal（水印），全部通过统一路由调度。

支持CUDA、MPS（苹果芯片）、ROCm（AMD显卡），甚至没GPU也能用CPU跑，只是慢三倍。显存不到8GB的话，会自动把TTS模型卸载到CPU，转录继续用GPU，不浪费一点算力。

没有独立显卡的同学也不用慌，选Kokoro引擎，模型只有82M参数，CPU就能流畅跑。

一个人能走多远？

说实话，看到一个人把这么多功能做完，我第一反应是\"这能维护得过来吗\"。

但转念一想，开源项目的魅力就在这里——它不需要一个人扛所有事。VoiceStudio已经有41个贡献者，Discord社区也很活跃，issue响应速度是\"几小时而不是几天\"。

而且AGPL-3.0协议意味着任何人都可以免费商用，只要你不把它魔改了然后闭源卖钱。作者甚至提供商业许可证，给那些想把VoiceStudio嵌入闭源产品的公司。

从功能完整度来说，VoiceStudio可能是目前开源社区里最接近\"一站式语音工作站\"的项目。14个TTS引擎、11个ASR引擎、646种语言、视频配音、有声书制作、AI水印、MCP集成……这些功能堆在一起，放在商业产品里至少值个几十刀月费。

而它完全免费，完全本地，文件归你。

就像它的slogan说的——Keep the files。

GitHub地址：https://github.com/debpalash/VoiceStudio

官网：https://voicestudio.sh

往期精选

上线两天1.4K星！评论区清一色的\"这就是我一直在等的东西\"！

Prime Agent开源，ARC-AGI-3跑到95.5%超人类专家，但它学会了\"作弊\"……

别再只会调prompt了：微软这个开源框架，用强化学习\"训\"你的Agent，代码几乎不用改！

黄仁勋深夜扔了颗开源核弹：34B参数自动驾驶模型免费商用！LingoQA干翻GPT-4o和Gemini 2.5 Pro！

扔一本书进去，它就给你一个可以随时调用的skill！又是一个神级skill：book-to-skill！

追踪AI前沿，深挖GitHub宝藏。

用优质内容陪你成长，

点击关注，携手启航。