制作视频时，很多人希望语音能更有特色——无论是音色还是语气。市面上很多工具要么声音固定，要么需要充值才能使用声音克隆功能。

今天介绍的 Voicebox 是一款开源免费的声音克隆工具，所有数据和模型都运行在本地，普通电脑也能用，不消耗 Token，不限次数。

什么是 Voicebox？

Voicebox 是一款以本地化为核心的 AI 语音工作室。你可以使用它从短短几秒钟的语音中克隆声音，生成语音，支持中文、英语、日语、阿拉伯语等多国语言。

核心功能

• 声音克隆：从参考音频中克隆声音，生成自然语音
• 语音特效：为生成的语音增加混响、延迟、合唱等特效
• 语音转文本：将语音转换为对应文本（基于 Whisper）
• RESTful API：每个操作都有对应的 API 接口
• MCP 集成：可通过 MCP 协议与 Claude Code、OpenClaw 等 Agent 结合
• 多平台部署：支持 Windows、Linux、macOS、Docker

支持的 TTS 开源模型

Voicebox 支持 7 种开源文本转语音大模型：

安装与使用

安装

访问官网 https://voicebox.sh/，下载对应系统的安装包，双击安装即可。

下载模型

安装完成后，在左侧菜单「模型」中选择需要的模型下载。模型从 HuggingFace 获取，体积较大，需耐心等待。

克隆声音

1. 创建声音，准备参考音频（建议单个 30 秒样本效果最佳）
2. 填写必要信息，添加声音样本时需写出声音的文本内容

生成语音

复制文本，添加到 Voicebox 输入框中，选择语言和模型即可生成。以 Qwen-TTS 0.6B 为例，约 10 秒即可生成。

语音克隆效果在音色、语调、语速等方面表现都不错。

与 Agent 结合使用

Voicebox 与 Agent 结合有很多实用场景：

• 视频配音/播客内容：用 OpenClaw 生成内容，Voicebox 生成语音
• Agent 语音对话：本地部署 Voicebox，让 OpenClaw 调用接口把文本转成语音

Voicebox 提供全面的 HTTP API，可以部署为服务端供 Agent 使用。

除了 RESTful 接口，Voicebox 还支持 MCP 协议，Claude Code 直接一句命令即可使用本地 Voicebox。

总结

Voicebox 是一款以本地为核心的语音转化工具：

• 不消耗 Token：模型运行在本地，可以无限使用
• 隐私性好：数据内容在本地，不外发
• 模型丰富：支持 7 种开源 TTS 模型
• Agent 友好：提供 RESTful API 和 MCP 接口

如果你需要做视频配音、播客内容，或者想让 Agent 具备语音能力，Voicebox 值得试试。

官网： https://voicebox.sh/