开源版 ElevenLabs，模型还能自己换

声音克隆的开源项目不少，VoiceStudio 会更像是一个语音工作台。

它把声音克隆、语音生成、视频配音、语音转文字和有声书制作放进了同一个本地桌面应用。你只要导入一段参考音频，它就能克隆声音。此外，它还能直接生成语音、给视频配音，或者把长文本做成多人声的内容。

和 ElevenLabs 单一模型不同，VoiceStudio 支持在多种语音模型间进行切换。目前，项目已经接入 16 个语音生成引擎和 11 个语音识别引擎，包括 CosyVoice 3、GPT-SoVITS、IndexTTS、WhisperX 等。使用语音模型时，你可以根据语言、音色等等角度来选择最合适的那个模型。对于中文内容，VoiceStudio 也提供了更多模型选项，比如 CosyVoice 3、GPT-SoVITS 和 IndexTTS 等。

除了生成一段单独的语音，它还把不少后续工作整合到了一起。比如给视频配音，会先识别原视频中的语音，再处理字幕和说话人，最后选择对应的声线重新生成音频；做有声书时，能为不同的角色分配对应的声音，再按章节或段落生成长篇语音内容。项目还支持批量生成，可以一次处理多段音频或视频。

VoiceStudio 还支持本地运行，可以把声音、项目和生成结果保存在自己的设备上。因为本地使用不需要账号、API Key 和订阅，自然也不用按量付费。

除了桌面应用，它还提供了本地 API、兼容 OpenAI Audio API 的接口以及 MCP Server，你可以接入自己的应用或 Agent 中。

如果你只是偶尔做一次声音克隆，单独的语音模型就够用了。VoiceStudio 会比较适合需要经常处理配音、转录、视频和长音频的创作者，以及想把本地语音能力接入自己应用的开发者。

开源项目 AI语音 声音克隆 VoiceStudio 语音生成