Skip to content

Voicebox im Test

Voicebox ist ein kostenloses, quelloffenes (MIT) Desktop-Stimmstudio für Mac und Windows: Klonen Sie eine Stimme aus wenigen Sekunden Audio, erzeugen Sie Sprache mit mehreren lokalen TTS-Engines, diktieren Sie überall und geben Sie KI-Agenten per MCP eine Stimme.

Gratis-Plan · ab 12$/Jahr · API

Storks Urteil zu Voicebox

Voicebox ist ein großzügiger kostenloser Ersatz für kostenpflichtige Klon- und Diktier-Apps, wenn Sie über den Speicherplatz und die GPU für lokale Modelle verfügen; Mac-Nutzer erhalten die vollständigste Version.

Voicebox reviewed by Stork AI · stork.ai/de/voicebox

stork
Ich bin ein einziges Standbild.
Ein getippter Satz. Dieser Clip hat $0.05 gekostet, das Minimum pro Video.
Lassen Sie ein Foto sprechen: $0.20 pro Minute.
Ein Foto hochladen und den Text tippen. Kein Abo. Ein Video pro Tag kostenlos.
Kostenlos ausprobierenFür Entwickler: Es gibt eine API

Was Voicebox leistet

Voicebox ist eine Local-first-KI-Sprach-App, die sich als kostenlose, quelloffene Alternative zu ElevenLabs (Sprachausgabe) und Wispr Flow (Diktieren) in einem versteht. Sie klonen eine Stimme aus etwa 3 Sekunden Audio (eine hochgeladene WAV-, MP3-, FLAC- oder WebM-Datei, eine Mikrofonaufnahme von bis zu 30 Sekunden oder aufgezeichnetes Systemaudio) und erzeugen dann Sprache mit bis zu 50.000 Zeichen pro Durchlauf; langer Text wird an Satzgrenzen aufgeteilt und überblendet. Die Engine lässt sich pro Generierung wechseln: Die Website nennt Qwen3-TTS, Qwen CustomVoice, Chatterbox, Chatterbox Turbo, LuxTTS, TADA (Hume AI) und Kokoro, die README ergänzt Qwen VoiceDesign. Die Sprachabdeckung hängt von der Engine ab, von 10 Sprachen bis zu 23 mit Chatterbox. Ein Timeline-Editor namens Stories dient mehrstimmigen Erzählungen, und eine Effekt-Pipeline ergänzt Tonhöhenverschiebung, Hall, Delay und Kompression.

Zur Eingabe halten Sie ein globales Tastenkürzel gedrückt, sprechen und lassen los: Whisper (99 Sprachen) transkribiert und fügt den Text unter macOS in das fokussierte Feld ein, optional mit Bereinigung von Füllwörtern durch ein lokales Qwen3-Modell. Für Agenten kann jeder MCP-Client (die Website nennt Claude Code, Cursor und Cline) ein Tool voicebox.speak unter 127.0.0.1:17493 aufrufen, und eine lokale REST-API stellt Generierung, Profile und Verlauf bereit. Die Downloads sind ein DMG für Macs mit Apple Silicon und Intel sowie ein MSI für Windows; Linux-Nutzer bauen aus dem Quellcode oder verwenden Docker. Die Beschleunigung umfasst Metal/MLX auf Apple Silicon, CUDA, ROCm, Intel Arc und DirectML oder einen entfernten Rechner.

Voicebox-Preise

Die Desktop-App ist kostenlos und MIT-lizenziert. Kostenpflichtige Cloud-Tarife sind angekündigt, aber noch nicht verfügbar:

TarifPreisStatusEnthalten
Local0 $Jetzt verfügbarStimmklonung mit jeder Engine, Diktieren und Aufnahme, MCP-/Agenten-Integration, unbegrenzte lokale Generierungen; kein Konto
Cloud12 $/Jahr (Einführungspreis)Demnächst verfügbarAlles aus Local, plus Ende-zu-Ende-verschlüsseltes Backup, Sync zwischen Desktop und Mobilgerät, 25 GB Speicher, bis zu 5 Geräte, 30 Tage Versionsverlauf
Studio48 $/JahrDemnächst verfügbarAlles aus Cloud, plus 250 GB Speicher, unbegrenzte Geräte, 1 Jahr Versionsverlauf, bevorzugter Support

Voicebox gibt an, dass Cloud-Preise und -Limits nicht final sind und zum Start bestätigt werden, und kennzeichnet den Studio-Preis mit „TBD“. Für die lokale Nutzung gibt es keine API-Schlüssel, Ratenlimits oder Gebühren pro Zeichen. Ihre tatsächlichen Kosten sind Hardware und Speicherplatz: Die Modelle werden separat heruntergeladen, und ein Review eines Drittanbieters ermittelte etwa 15 bis 20 GB für die Installation aller Engines.

Preise am 10. November 2026 auf der Preisseite des Anbieters geprüft. Siehe Voicebox pricing.

Wichtige Funktionen

Was Voicebox auf seiner Website und in der README auflistet:

  • Stimmklonung aus etwa 3 Sekunden Audio, aus Dateien, Mikrofon oder Systemaudio
  • Mehrere umschaltbare lokale TTS-Engines, darunter Qwen3-TTS, Chatterbox, TADA und Kokoro
  • Bis zu 50.000 Zeichen pro Generierung mit automatischer Aufteilung
  • Globales Push-to-talk-Diktieren mit Whisper (99 Sprachen) und optionaler lokaler Bereinigung
  • MCP-Tool voicebox.speak und lokale REST-API für Agenten und Skripte
  • Stories-Timeline-Editor und eine Audioeffekt-Pipeline mit Presets
  • Native Tauri-(Rust-)Desktop-App für macOS und Windows; Linux aus dem Quellcode oder per Docker

Für wen Voicebox am besten geeignet ist

Voicebox eignet sich für Kreative und Entwickler, die Stimmklonung, TTS und Diktieren ohne Abonnement und ohne Audio in die Cloud zu senden nutzen möchten, insbesondere für Mac-Nutzer (wo das Diktieren mit automatischem Einfügen funktioniert) und für alle, die per MCP eine Stimme in Claude Code oder Cursor einbinden.

Wenn Sie eine gehostete API, Streaming-TTS oder umfangreiche kommerzielle Stimmbibliotheken benötigen, ist ElevenLabs der kostenpflichtige Standard. Für reines Diktieren sind Wispr Flow und Superwhisper stärker darauf ausgerichtet. Windows- und Linux-Nutzer sollten beachten, dass das automatische Einfügen beim Diktieren vorerst nur unter macOS funktioniert.

Was Nutzer sagen

Ein Review zu v0.5.0 von Andrew Ooo bezeichnet Voicebox als starke kostenlose lokale Alternative zu ElevenLabs und Wispr Flow und lobt die Engine-Auswahl, das Klonen, das globale Diktieren und den integrierten MCP-Server in einer App von rund 80 MB. Er verweist auf hohen Ressourcenbedarf je Engine (etwa 1 GB VRAM für LuxTTS bis rund 10 GB für TADA 3B auf seinem Mac), noch kein Streaming-TTS, keine vorkompilierten Linux-Binärdateien, automatisches Einfügen nur unter macOS und Fehlermeldungen, die über Discord statt über GitHub Issues laufen. Das GitHub-Repository zeigt etwa 60.000 Sterne. Einen unabhängigen direkten Vergleichstest der Klonqualität haben wir nicht gefunden.

Vorteile

  • Kostenlos und MIT-lizenziert; kein Konto, keine Schlüssel, keine Gebühren pro Zeichen
  • Klonen, TTS und Diktieren in einer Desktop-App
  • Auswahl mehrerer offener TTS-Engines pro Generierung
  • Integrierter MCP-Server gibt Coding-Agenten eine Stimme
  • Audio bleibt auf Ihrem Rechner

Nachteile

  • Die Modelldownloads sind groß; alle Engines zusammen benötigen etwa 15–20 GB
  • Keine vorkompilierte Linux-Binärdatei; das automatische Einfügen beim Diktieren gibt es nur unter macOS
  • Laut einem Review zu v0.5.0 noch kein Streaming-TTS
  • Die Cloud-Backup- und Sync-Tarife sind noch nicht gestartet

Häufig gestellte Fragen

Ist Voicebox kostenlos?

Ja. Der Local-Tarif ist kostenlos, mit unbegrenzten lokalen Generierungen und ohne Konto. Die kostenpflichtigen Tarife Cloud (12 $/Jahr Einführungspreis) und Studio (48 $/Jahr) für Backup und Sync sind als „demnächst verfügbar“ gekennzeichnet.

Ist Voicebox eine Alternative zu ElevenLabs?

Voicebox versteht sich als solche: Stimmklonung und TTS laufen mit offenen Modellen auf Ihrem eigenen Rechner, ohne Gebühren pro Zeichen. Die gehostete API und den Stimmen-Marktplatz von ElevenLabs bietet es nicht.

Läuft Voicebox unter Windows und Linux?

Für Windows gibt es ein MSI-Installationsprogramm mit CUDA- oder DirectML-Beschleunigung. Für Linux gibt es noch keine vorkompilierte Binärdatei; Sie bauen es aus dem Quellcode oder führen es in Docker aus.

Wie viel Audio braucht Voicebox, um eine Stimme zu klonen?

Laut Website etwa 3 Sekunden. Als Samples dienen hochgeladene Dateien (WAV, MP3, FLAC, WebM), eine Mikrofonaufnahme von bis zu 30 Sekunden oder aufgezeichnetes Systemaudio.

Welche Sprachen unterstützt Voicebox?

Die Sprachgenerierung deckt je nach Engine 10 bis 23 Sprachen ab (23 mit Chatterbox). Das Diktieren nutzt Whisper, das 99 Sprachen unterstützt.

Können KI-Agenten Voicebox nutzen?

Ja. Es betreibt einen MCP-Server unter http://127.0.0.1:17493/mcp mit einem Tool voicebox.speak; die Website nennt Claude Code, Cursor und Cline. Ein Endpunkt POST /speak bedient Tools ohne MCP.

Alternativen vergleichen

Voicebox

Gratis-Plan · ab 12$/Jahr · API

Aus dem Stork-Blog

Gefällt Ihnen der Artikel? Erhalten Sie jeden Morgen einen wie diesen per E-Mail.

eine E-Mail pro Tag · Abmeldung mit zwei Klicks · kein Tracking durch Dritte