这是一个或许对你有用的社群 一对一交流/面试小册/简历优化/求职解惑欢迎加入「芋道快速开发平台」知识星球。下面是星球提供的部分资料《项目实战视频》从书中学往事中“练”《互联网高频面试题》面朝简历学习春暖花开《架构 x 系统设计》摧枯拉朽掌控面试高频场景题《精进 Java 学习指南》系统学习互联网主流技术栈《必读 Java 源码专栏》知其然知其所以然这是一个或许对你有用的开源项目国产Star破10w的开源项目前端包括管理后台、微信小程序后端支持单体、微服务架构RBAC权限、数据权限、SaaS多租户、商城、支付、工作流、大屏报表、ERP、CRM、AI大模型、IoT物联网等功能多模块https://gitee.com/zhijiantianya/ruoyi-vue-pro微服务https://gitee.com/zhijiantianya/yudao-cloud视频教程https://doc.iocoder.cn【国内首批】支持 JDK17/21SpringBoot3、JDK8/11Spring Boot2双版本副业做配音的痛点付费太贵、声音不够独特Voicebox 是什么本地版 ElevenLabs WisprFlow 二合一横向对比和 ElevenLabs / 微软 Azure 差在哪3 秒声音克隆克隆完用在哪7 个 TTS 引擎按场景挑全局听写让讲话直接打进任何输入框给 AI Agent 接一个声音研发最爱本地 REST API 本地 LLM完全可编程安装与上手谁该上手、谁先观望我的判断副业做配音的痛点付费太贵、声音不够独特最近群里有道友问我有没有不要钱的 AI 配音工具能自己克隆声音那种他在做副业——播客配音 小说有声书——一个月光 ElevenLabs 的订阅费就要 $22做了一年下来 200 多刀。现在做副业的痛点很具体ElevenLabs / WisprFlow 这种主流工具——付费门槛 按字符计费、做 AI 副业的越用越心疼️预设声音都用烂了——B 站 / 抖音上的 AI 配音听过 100 次都是同一个嗓子做不出独特感数据隐私——给客户做配音的稿子不想传给第三方离线场景废了——飞机上 / 出差弱网根本用不了。我试了一圈开源工具——直到撞上了Voicebox——这个24.9k Star、最新版 v0.5.02026-04-25的开源 AI 配音工作室——这些痛点全堵上了。关键差异——它是真的本地跑——模型下载到你自己机器、音频不经过任何服务器、没有订阅、没有按字符计费——一款真良心的工具。基于 Spring Boot MyBatis Plus Vue Element 实现的后台管理系统 用户小程序支持 RBAC 动态权限、多租户、数据权限、工作流、三方登录、支付、短信、商城等功能项目地址https://github.com/YunaiV/ruoyi-vue-pro视频教程https://doc.iocoder.cn/video/Voicebox 是什么本地版 ElevenLabs WisprFlow 二合一按官方 READMEVoicebox 是一个桌面端的 AI 语音工作室。作者 Jamie Pine 也是开源文件管理工具 Spacedrive 的开发者——GitHub 上的积累让他很清楚研发需要什么。官方定位的英文原话The two cloud incumbents sit on opposite halves of the voice I/O loop—ElevenLabs on output, WisprFlow on input. Voicebox does both.两个云端老牌产品各占语音 I/O 半边——ElevenLabs 主输出TTS、WisprFlow 主输入语音转文字。Voicebox 两件事都做。关键卖点 4 个完全本地跑——音频不出本机、模型下载即用支持 7 个 TTS 引擎——按场景挑多语种 / 长文本 / 速度 / 情绪表达3 秒克隆任何声音——用最短 3 秒样本就能克隆跨平台 多硬件加速——macOSMLX/ Windows / Linux / Apple Silicon / NVIDIA / AMD / Intel Arc。基于 Spring Cloud Alibaba Gateway Nacos RocketMQ Vue Element 实现的后台管理系统 用户小程序支持 RBAC 动态权限、多租户、数据权限、工作流、三方登录、支付、短信、商城等功能项目地址https://github.com/YunaiV/yudao-cloud视频教程https://doc.iocoder.cn/video/横向对比和 ElevenLabs / 微软 Azure 差在哪维度VoiceboxElevenLabs微软 Azure TTS数据流向全本地全部上云全部上云价格0 元$22/月 按字计费按字符计费TTS 引擎7 个可切1 个云端1 个云端声音克隆✅ 3 秒样本✅要 Pro 套餐⚠️ 企业级语音转文字✅ Whisper❌✅MCP 集成接 AI Agent✅原生❌❌离线可用✅❌❌致命短板模型要下载、初次跑慢上云、贵上云、企业向真正定位给副业 / 自媒体 / 研发的人——一个不上云、不付费、能批量产配音的本地工作室。3 秒声音克隆克隆完用在哪克隆方式 3 种上传音频文件WAV、MP3、FLAC、WebM 都行️直接在 App 里录音最长 30 秒录系统正在播放的音频B 站视频 / 播客都能直接录。最短 3 秒就够——样本越长 / 质量越好、效果越准。克隆完做什么生成一个「声音档案」——之后所有 TTS 都可以用这个档案。进阶玩法一个档案绑多个样本→ 引擎综合提升克隆质量每个档案可以设置默认后期效果——比如这个声音用「广播电台」风格处理档案可以分享 / 导出——团队共享同一个克隆声音很方便。7 个 TTS 引擎按场景挑按 README 完整清单引擎语言数特点适用场景Qwen3-TTS10多语言克隆质量高、自然语言控制语速情绪中文 多语种配音Qwen CustomVoice109 个预设、不需参考音频不想克隆的快速产LuxTTS英文极轻量 ~1GB 显存48kHz 高质量、CPU 实时 150 倍日常生产力首选Chatterbox 多语言23覆盖最广阿语 / 印地 / 斯瓦希里小语种配音Chatterbox Turbo英文支持情绪标签[laugh]/[sigh]情绪表达需求TADA (HumeAI)10700 秒长音频不漂移有声书 / 长播客Kokoro882MB 小模型、50 个预设、CPU 实时极低配置机器英文 README 原话总结*High-quality multilingual cloning, delivery instructions*——多语言 自然语言控制语速情绪——这是 ElevenLabs 都不一定能 100% 做到的。简单决策建议日常生产力→ LuxTTS速度最快情绪表达笑 / 哭 / 叹气→ Chatterbox Turbo小语种→ Chatterbox 多语言长文本有声书→ TADA。长文没有字数上限焦虑——Voicebox 自动在句子边界切分、再交叉淡入拼起来——最多支持 50,000 字符一次提交。全局听写让讲话直接打进任何输入框另一半功能是语音输入——这是把 WisprFlow 也吃进去的部分。平台快捷键行为macOS⌘⌥按住 说话 松开 → 自动粘贴到当前输入框WindowsCtrlAlt同上背后用OpenAI Whisper 本地跑——离线可用。几个细节做得不错自动保存剪贴板再恢复——不会把你原来复制的内容搞没快捷键自定义、支持「按住说 松开停」/「点一下开始 再点停」两种模式按住中途按空格切换持续说模式——长录音不会断可选 LLM 过滤步骤——自动清掉「嗯」「那个」这类口头语Captures 面板保留转录记录、随时回放 / 重新识别 / 编辑。给 AI Agent 接一个声音研发最爱这块是研发玩家最该试的——Voicebox 内置MCP 服务器——配置好之后 Claude Code、Cursor 这类 AI 编程工具可以直接调用voicebox.speak——任务完成时用克隆的声音开口说。接入 Claude Code 一行claude mcp add voicebox \ --transport http \ --url http://127.0.0.1:17493/mcp \ --header X-Voicebox-Client-Id: claude-codeCursor 配置{ mcpServers: { voicebox: { url: http://127.0.0.1:17493/mcp, headers: { X-Voicebox-Client-Id: cursor } } } }最爽的玩法给每个 AI 客户端绑不同声音档案Claude Code 用「Morgan」沉稳男声Cursor 用「Scarlett」女声Codex 用「Trevor」年轻男声。3 个 Agent 并行干活时——声音一响你立刻知道是哪个 Agent 在说——不用盯着屏幕看。屏幕上有一个悬浮小药丸显示当前状态录音中 / 转录中 / 优化中 / 播放中——听写和 Agent 讲话共用同一个界面元素。本地 REST API 本地 LLM完全可编程App 启动后会在本地127.0.0.1:17493开一个 REST API。没有 API Key、没有调用限制、就是本机的一个地址——接进 Stream Deck / Shell 脚本 / 自己做的工具都行。几个常用端点# 生成语音 curl -X POST http://127.0.0.1:17493/generate \ -H Content-Type: application/json \ -d {text: 你好世界, profile_id: abc123, language: zh} # 让 Agent 开口说 curl -X POST http://127.0.0.1:17493/speak \ -H Content-Type: application/json \ -d {text: 部署完成。, profile: Morgan} # 转录音频文件 curl -X POST http://127.0.0.1:17493/transcribe \ -F audiorecording.wav \ -F modelwhisper-turbo完整文档App 跑起来后打开http://127.0.0.1:17493/docs即可。还有一个进阶玩法——声音人格Persona每个声音档案可以绑定自由文本写的人格描述——比如1940 年代黑色电影侦探。世故、愤世嫉俗讲话喜欢用比喻——每件事都和这座城市的阴暗面有关。两个功能Compose——这个角色即兴生成一句台词Rewrite——你写一段文字、系统按这个角色风格重写、再合成语音。背后跑的是本地 Qwen3 小语言模型0.6B / 1.7B / 4B 可选——和 TTS 引擎共用一个运行时、不用额外下模型。写手 / 游戏开发者可以用来保持长篇作品里某个角色的一致口吻——这是 ElevenLabs 都给不了的能力。安装与上手去官网下https://voicebox.sh平台下载方式macOS Apple Siliconhttps://voicebox.sh/download/mac-armmacOS Intelhttps://voicebox.sh/download/mac-intelWindowshttps://voicebox.sh/download/windowsLinux源码编译 https://voicebox.sh/linux-installDockerdocker compose up第一次用要下载模型——大小不一Kokoro 只有82MBChatterbox 多语言版要大得多。下完之后离线使用、不再请求外部服务。Stories 编辑器多人对话 / 多角色播客制作——多轨时间轴、不同角色台词放不同轨道、拖拽排列、轨道内裁剪 / 拆分——做播客 / 有声书的话这个太实用了。谁该上手、谁先观望适合现在上手副业做播客 / 有声书——想省合成费用研发玩家——想让 Claude Code / Cursor 开口说话隐私敏感——商用配音稿不想传给第三方就是喜欢折腾 AI——把语音能力接进自己工具链。先观望偶尔用一下 / 不想管模型下载——ElevenLabs 在线版体感更顺滑Linux 用户——Linux 没预构建包、要自己源码编译。我的判断Voicebox 解决的是一个挺具体的问题——让本地 AI 配音从能用升到好用。它最大的价值不是省钱——是控制感✅声音档案在你手里——不用担心订阅停了 / 平台跑路✅完全离线可用——飞机 / 弱网 / 内网机器都能跑✅MCP 接 AI Agent——把语音能力变成 Agent 工作流的一部分✅24.9k Star 持续更新——v0.5.0 / 路线图清晰、不像那种半死不活的开源项目。说到底做 AI 副业的人长期看 Voicebox 帮你省下来的钱 多出来的控制感——值得花半小时配一次。如果你是偶尔用一下 ElevenLabs 这种那确实云端 订阅更顺手。要装就装 macOS / Windows 版本——Apple Silicon 上的 MLX 加速体验最好——3 秒克隆、即克即用。仓库https://github.com/jamiepine/voicebox官网https://voicebox.sh欢迎加入我的知识星球全面提升技术能力。 加入方式“长按”或“扫描”下方二维码噢星球的内容包括项目实战、面试招聘、源码解析、学习路线。文章有帮助的话在看转发吧。 谢谢支持哟 (*^__^*