Voicebox：由 Qwen3‑TTS 提供支持的开源语音工作室

语音合成已不再是少数基于云的服务专属。通过 Voicebox——一款免费、以本地为中心、基于 Qwen3‑TTS 构建的应用程序，开发者和创作者可以完整掌控自己的语音数据，像数字音频工作站一样编辑多轨音频，并在 Apple Silicon 上更快地生成自然语音。

什么是 Voicebox？

• Local‑first：所有推理、克隆和编辑都在您的硬件上完成——无需网络，无需订阅费用。
• Open source：MIT 许可，完全社区驱动。
• Multi‑track editing：想象数字音频工作站与文本转语音的结合。
• Built with modern stack：Tauri (Rust) 为桌面端，React/TS 为 UI，FastAPI 为 API，MLX/Metal 为 GPU 加速。
• Powered by Qwen3‑TTS：阿里巴巴突破性模型，凭借仅几秒即可克隆声音，生成高保真、富有表现力的语音。

核心功能一览

架构快照

graph TD
  A[React‑TS Frontend] -->|REST| B[FastAPI Backend]
  B -->|PyTorch/MLX| C[Qwen3‑TTS Engine]
  B -->|Whisper| D[Transcription]
  B -->|SQLite| E[Database]
  subgraph Desktop
    F[tauri (Rust)] --> A
  end
  subgraph Web
    G[React‑TS app] --> A
  end

• Frontend：React+TypeScript、Tailwind CSS、Zustand 与 React Query，用于状态管理与数据获取。
• Backend：FastAPI 提供类型化 API、自动文档和异步性能。
• Models：Qwen3‑TTS 和 Whisper 同时提供 PyTorch 与 MLX 后端，兼容多平台。
• Persistence：SQLite 用于存储声音配置、项目元数据和生成历史。

如何开始

1. 安装

# On macOS (Apple Silicon)
brew install qt@5  # for Tauri dependencies
bun install
cd backend && pip install -r requirements.txt
bun run dev   # Launch the desktop app

对于 Windows 或基于 Intel 的 macOS，请从发布页面下载 MSI 或 ZIP。

2. 克隆声音

1. 打开应用并点击 Create Profile。
2. 录制或上传 5–10 秒的清晰语音。
3. 模型将生成名为 My Voice 的配置文件。
4. 如果想分享该配置文件，请导出。

3. 构建故事

1. 将新配置文件拖到时间线上。
2. 输入脚本或粘贴自文档。
3. 使用 Batch Generation 合成全文脚本。
4. 使用时间线工具安排片段、裁剪和混合。
5. 导出最终混音。

Voicebox 的闪光点

扩展 Voicebox

• Plugin System：添加新的声音模型（如 XTTS、Bark）或音频效果，作为独立的 Tauri 包。
• Mobile Companion：未来计划开发手机 App，以局域网方式控制桌面 Voicebox 实例。
• Real‑Time Synthesis：即将新增功能，可在音频生成时实时流式播放，实现现场表演。

社区与贡献

Voicebox 旨在友好且开放：

• Contributing：欢迎提交 Pull Request；参见 CONTRIBUTING.md 了解设置流程。
• Security：请遵循 SECURITY.md 合理报告问题。
• Releases：新稳定版本已发布于 GitHub Releases。
• Docs：运行时可通过 http://localhost:8000/docs 访问完整的 API 文档。

Bottom Line

Voicebox 将笔记本变成专业且隐私保护的语音工作室。无论你是在原型设计语音游戏、策划播客，还是构建个人无障碍工具，你都不再需要依赖昂贵的云 API。今天就加入，fork GitHub 仓库，开始打造始终受你掌控的语音体验。