Voicebox

本地桌面语音应用（jamiepine/voicebox），把语音克隆、TTS、全局听写、故事时间线和 Agent 发声整合为同一工具，核心价值是语音输入与输出的本地闭环：Whisper 做语音转文字，TTS 引擎把 Agent 文字变声音，中间可接本地 Qwen3 小模型清理口头语/标点或按角色重写说话方式。

基本事实（2026-08-03 核对）

• 数据：48,220 stars / 5,947 forks / 638 commits；MIT 许可证；v0.5.0；macOS/Windows/Linux/Docker。
• 内置七种 TTS 引擎：Qwen3-TTS、Qwen CustomVoice、LuxTTS、Chatterbox（Multilingual / Turbo）、TADA、Kokoro；宣称 23 种语言（实际按引擎划分）。
• Agent 集成 = MCP：本机 17493 端口 REST API + 内置 MCP Server，四个工具（发声/转写音频/列出录音/列出声音档案）；可为不同客户端绑定不同声音（如 Claude Code 与 Cursor 各一个声音）。
• 安全设计：Agent 发声时显示屏幕浮层（声音档案 + 时长），防止后台静默播放合成语音。
• 硬件路径：Apple Silicon MLX/Metal、NVIDIA CUDA、DirectML、ROCm/XPU、CPU 回退；Windows 版未代码签名。

来源

• Voicebox 实测（郭震AI实验室；实测限于源码构建层面，未验证克隆/GPU 推理）