据 XDA Developers 报道,开源项目 VoiceStudio 在 GitHub 上已获得超过 11 万颗星,其发布的 0.5.8 版本承诺提供完全在本地运行的语音克隆、视频配音和转录功能,无需账户且免费。
要点速览
- 本地运行,隐私保护:VoiceStudio 0.5.8 支持在本地设备上运行,包括语音克隆、视频配音和转录,所有数据无需上传至云端。
- 依赖 WSL2 与 GPU:Windows 安装程序未签名,建议通过 WSL2 在 Linux 环境下使用,需搭配 NVIDIA GPU(如 RTX 5090)以获得最佳性能。
- 集成本地 LLM:智能配音模式需配合本地大语言模型(如 Lemonade Server 加载的 Qwen3.5-9B)进行翻译和润色。
- 语音克隆效果显著:仅需 30 秒音频样本即可克隆声音,能准确还原语速、音调、口音甚至呼吸声,生成速度约为实时速度的 8.6 倍。
- 离线工作能力:在断开网络连接的情况下,完整的语音克隆和配音流程均可顺利完成,仅模型下载需要联网。
安装与配置: 项目提供 Windows 安装程序,但由于代码签名证书尚未生效,作者建议在 WSL2 中安装 Ubuntu 24.04 LTS 版本。通过一条命令即可安装,并自动调用 CUDA 后端利用 NVIDIA GPU 加速。
LLM 集成: VoiceStudio 本身处理语音,但高级配音模式需要 LLM 来优化翻译。作者使用 Lemonade Server 加载了 Qwen3.5-9B 模型(约 6.4GB),并通过关闭推理预算参数,将翻译响应时间从 2 秒缩短至 87 毫秒。在 VoiceStudio 的设置中,通过指定本地 LLM 的 API 地址即可完成连接。
语音克隆细节: 使用 30 秒的《爱丽丝梦游仙境》片段进行克隆,工具成功复制了说话人的节奏、音高、口音和呼吸声。在 RTX 5090 上,生成 20 秒音频仅需 2.3 秒。虽然对未录制过的词汇(如 “mini PC”)偶尔会出现发音瑕疵,但重启应用后可恢复。
视频配音流程: 作者测试了一段 1 分 45 秒的阿尔卑斯山形成纪录片。VoiceStudio 将其转录为 15 个片段,并生成英文音频。过程中,自动语音克隆因说话人标签估计不准而跳过,作者手动指定了说话人声音后,配音效果显著提升,尽管部分单词前仍有轻微嘶嘶声。
离线测试: 断开 Wi-Fi 后,重新导入本地视频文件,完成转录、LLM 翻译、语音克隆和配音,全程无错误。虽然离线状态下生成速度略有下降(20 秒音频需 3.1 秒),但仍远快于实时播放。唯一的例外是 diarization(说话人分离)功能,它依赖 Hugging Face 的 pyannote 模型,需要联网登录,但作者选择手动分配声音以绕过此限制。
关键参数
| 项目 | 参数 |
|---|---|
| 版本 | 0.5.8 |
| 授权协议 | 免费开源 |
| 运行环境 | Windows (WSL2) / Linux |
| 依赖后端 | CUDA (NVIDIA GPU) |
| 推荐显存 | 32GB VRAM (测试使用 RTX 5090) |
| 语音克隆样本 | 30 秒 |
| 生成速度 | 约 8.6 倍实时速度 (RTX 5090) |
| 本地 LLM 示例 | Qwen3.5-9B (通过 Lemonade Server) |
| 联网需求 | 模型下载需联网,运行可完全离线 |
价格与上市
- VoiceStudio 0.5.8:免费(开源软件)
- 上市时间:2026 年 11 月 17 日(XDA Developers 评测发布日)
- 获取渠道:GitHub 仓库及 WSL2 环境
一个读者会问的问题
对于拥有独立显卡的个人创作者,VoiceStudio 能否真正替代 ElevenLabs 等云端订阅服务?
VoiceStudio 的核心价值在于“数据主权”和“零边际成本”。对于经常制作视频配音、播客或需要保护语音隐私的 Maker 来说,它允许你在本地完成从转录、翻译到配音的全流程,无需担心上传音频到云端被分析或泄露。特别是其能还原呼吸声和语调的特性,使得生成的语音比传统 TTS 更加自然,接近真人录制。
然而,它并非开箱即用的完美替代品。用户需要具备一定的技术背景,熟悉 WSL2、CUDA 环境配置以及本地 LLM 的部署。此外,虽然语音克隆效果出色,但在处理复杂多说话人视频时,仍需手动干预(如手动分配说话人声音),且翻译结果仍需人工校对。
适合谁:拥有 NVIDIA 显卡(建议 12GB+ 显存)、熟悉 Linux/WSL2 环境、希望摆脱月度 AI 语音订阅费的个人创作者、独立视频博主和小型工作室。
不适合谁:希望一键式操作、没有独立显卡、或主要使用 Mac 且未配置 ARM 原生支持的用户(目前主要优化 CUDA)。





