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.
