Voicebox：2026年最强开源声音克隆工具，3秒克隆你的声音，完全免费本地运行

你有没有想过，只需要3秒钟的音频样本，就能克隆出一个和你声音几乎一模一样的AI语音？而且完全免费、不需要联网、不会泄露隐私？

今天要介绍的 Voicebox，就是目前最强大的开源声音克隆工具。它支持5种TTS引擎、23种语言，全程运行在你自己的电脑上，不需要花一分钱，也不需要懂代码。

什么是Voicebox？

Voicebox是一款托管在GitHub上的开源声音克隆工具，官网地址是 voicebox.sh。它的核心能力是通过AI模型克隆你的声音，然后用克隆出来的音色去朗读任意文本。

简单来说，它的原理是：

1. 你提供一段声音样本（可以是录音、上传音频文件，甚至录制系统内正在播放的声音）
2. AI分析你的音色特征
3. 用你的音色去朗读你输入的任何文字

克隆出来的声音效果非常逼真，甚至比很多付费工具还要好。

Voicebox的核心功能

支持5种TTS引擎

Voicebox最强大的地方在于它内置了多种TTS引擎，你可以根据自己的需求选择不同的模型：

其中 Qwen TTS 是阿里巴巴发布的高质量多语言文本转语音模型，1.7B版本代表它使用了17亿条数据进行训练，理论上克隆效果最好。

支持23种语言

虽然软件界面目前只有英文，但它在语音克隆时完全支持中文、英语、法语、德语、西班牙语、俄语、日语、韩语等23种语言。你可以用中文的声音样本，让它克隆出英文发音，反之亦然。

三种声音采集方式

Voicebox提供了灵活的声音源采集方式：

• 上传音频文件：直接选择你已有的声音文件
• 麦克风录音：通过电脑麦克风实时录制你的声音
• 系统内录：捕获电脑正在播放的任何声音（比如电影、短视频里的声音）

内置时间线编辑器

软件自带一个简单的时间线编辑器（Stories功能），你可以：

• 同时编辑多段克隆语音
• 将不同片段拖拽到轨道上拼接
• 制作完整的有声内容

音效添加

Voicebox还支持给克隆的声音添加各种特效：

• Robotic：机器人风格
• Radio：电台主持人风格
• Echo：回音效果
• Bass Boost：重低音增强

API支持

对于开发者，Voicebox还提供了API接口，你可以通过编写代码直接调用它的功能，而不需要操作软件界面。访问本地API文档地址即可查看所有可用接口。

如何下载和安装Voicebox

第一步：下载安装包

访问Voicebox官网 voicebox.sh，点击页面中间的黄色 Download 按钮，页面会自动跳转到底部的下载区域。

根据你的操作系统选择对应的版本：

• Mac用户：
  • M系列芯片（M1/M2/M3/M4/M5）选择左侧按钮
  • Intel芯片选择右侧按钮
• Windows用户：选择Windows按钮
• Linux用户：选择Linux按钮

第二步：安装软件

下载完成后，双击安装包，一路点击 Next 选择安装位置即可完成安装。安装完成后，桌面上会出现一个金色麦克风图标。

第三步：下载AI模型

首次打开软件后，需要在模型页面下载TTS模型才能使用。建议至少下载：

• Qwen TTS 1.7B：效果最好，适合对质量要求高的场景
• Qwen TTS 0.6B：轻量版，生成速度更快
• Whisper Base：用于语音转文字功能

第四步：安装CUDA（Windows用户必看）

如果你使用的是Windows电脑且有英伟达显卡，强烈建议安装CUDA。安装CUDA后，软件可以调用显卡加速，声音克隆速度会有显著提升。

安装CUDA前后速度对比：

Mac用户不需要担心这个问题，macOS系统会自动利用Apple Silicon的性能。

如何使用Voicebox克隆声音

步骤一：创建声音源

1. 点击软件左上角的 Create Voice 按钮
2. 选择声音采集方式（上传文件/麦克风录音/系统内录）
3. 选择你准备好的音频文件

步骤二：填写声音信息

• 文字内容：填写音频文件中说的文字内容（这个很重要，AI需要知道这段声音说了什么）
• 声音名称：给这个声音源取一个名字
• 语言选择：选择音频原始语言（中文音频选择CHINESE）

步骤三：选择模型并生成

1. 在生成页面选择要使用的TTS模型
2. 输入你想让AI用你的声音朗读的文字
3. 选择目标语言
4. 选择是否添加音效
5. 点击黄色按钮开始生成

生成完成后，软件会自动播放克隆出来的语音。你可以试听效果，不满意可以点击 Regenerate 重新生成。

步骤四：导出音频

满意后，点击语音记录右侧的三个点，选择 Export Audio，选择保存位置即可导出为音频文件。

不同设备的性能对比

我在不同设备上测试了Voicebox的克隆速度（相同文字内容）：

Windows电脑（无CUDA）

• Qwen 1.7B：约90秒
• Qwen 0.6B：约54秒
• ChatterBox：约50秒

Windows电脑（有CUDA）

• Qwen 1.7B：最快20秒，最慢40多秒
• Qwen 0.6B：约30秒
• ChatterBox：约6秒

MacBook Pro M1 Max

• Qwen 1.7B：约8秒
• Qwen 0.6B：约8秒

Mac的表现让人意外，0.6B和1.7B的速度基本一致，而且整体速度比Windows快很多。这可能是因为Apple Silicon对AI模型的优化非常好。

注意：第一次生成时速度会比较慢，因为需要加载模型。从第二次开始，模型已经加载到内存中，速度会明显加快。

1.7B和0.6B模型效果对比

理论上，1.7B模型因为训练数据更多（17亿条 vs 6亿条），克隆效果会更好。实际测试中：

• 1.7B模型：声音更自然，音色还原度更高，适合对质量要求高的场景
• 0.6B模型：速度更快，效果也不错，适合需要快速生成的场景

建议两个都下载，根据具体需求选择使用。

Voicebox的优势总结

1. 完全免费：开源软件，不需要付费购买会员
2. 隐私安全：全程本地运行，声音数据不会上传到云端
3. 零门槛：不需要懂代码，图形界面操作简单
4. 多语言支持：支持23种语言的声音克隆
5. 多引擎选择：5种TTS引擎，满足不同需求
6. 跨平台：Windows、macOS、Linux全部支持
7. API支持：开发者可以通过代码调用

写在最后

Voicebox是我在2026年用过的最惊艳的开源AI工具之一。它把原本需要专业设备和付费服务才能实现的声音克隆，变成了任何人都能免费使用的本地工具。

不管你是做短视频、播客、有声书，还是需要批量配音，Voicebox都能帮你搞定。而且它的克隆效果真的非常逼真，普通人几乎听不出AI克隆和真人录音的区别。

如果你对AI语音技术感兴趣，强烈建议去GitHub上给这个项目点个Star，支持一下开发者。工具地址：官网 voicebox.sh，GitHub项目页面在官网的About页面可以找到。

本文基于Voicebox 0.3.0版本撰写，最新版本为0.5.0，功能可能有所更新。