Skip to content

Voiceboxレビュー

Voiceboxは、MacとWindows向けの無料のオープンソース(MIT)デスクトップ音声スタジオです。数秒の音声から声をクローンし、複数のローカルTTSエンジンで音声を生成し、どこでもディクテーションでき、MCPを通じてAIエージェントに声を与えます。

無料プランあり · 年額$12から · API

Voiceboxに対するStorkの評価

Voiceboxは、ローカルモデル用のディスク容量とGPUがあれば、有料のクローンアプリやディクテーションアプリに代わる寛大な無料の選択肢です。最も完成度の高いバージョンを利用できるのはMacユーザーです。

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

stork
私は1枚の静止画です。
入力したのは1つの文だけ。この動画の料金は最低料金の$0.05です。
写真が話す動画を、1分$0.20で。
写真を1枚アップロードして、文章を入力するだけ。サブスク不要。1日1本まで無料。
無料で作ってみる開発者の方へ:APIもあります

Voiceboxの機能

Voiceboxは、ローカルファーストのAI音声アプリで、ElevenLabs(音声出力)とWispr Flow(ディクテーション)を1つにまとめた、無料のオープンソースの代替を自称しています。約3秒の音声(アップロードしたWAV、MP3、FLAC、WebMファイル、最長30秒のマイク録音、またはキャプチャしたシステム音声)から声をクローンし、1回の実行につき最大50,000文字の音声を生成できます。長いテキストは文の区切りで分割され、クロスフェードで連結されます。エンジンは生成ごとに切り替えられます。サイトにはQwen3-TTS、Qwen CustomVoice、Chatterbox、Chatterbox Turbo、LuxTTS、TADA(Hume AI)、Kokoroが挙げられており、READMEではさらにQwen VoiceDesignが加わります。対応言語はエンジンによって異なり、10言語からChatterboxの23言語までです。Storiesタイムラインエディターで複数の声によるナレーションを扱え、エフェクトパイプラインでピッチシフト、リバーブ、ディレイ、コンプレッションを加えられます。

入力については、グローバルホットキーを押したまま話し、離します。Whisper(99言語)が文字起こしを行い、macOSでは、フォーカスされているフィールドに貼り付けます。ローカルのQwen3モデルによるフィラーワードの除去もオプションで利用できます。エージェント向けには、任意のMCPクライアント(サイトではClaude Code、Cursor、Clineが挙げられています)が 127.0.0.1:17493 上の voicebox.speak ツールを呼び出せ、ローカルREST APIで生成、プロファイル、履歴にアクセスできます。ダウンロードは、Apple SiliconおよびIntel Mac向けのDMGと、Windows向けのMSIです。Linuxではソースからビルドするか、Dockerを使用します。アクセラレーションは、Apple SiliconのMetal/MLX、CUDA、ROCm、Intel Arc、DirectML、またはリモートマシンに対応しています。

Voiceboxの料金

デスクトップアプリは無料で、MITライセンスです。有料のクラウドプランは発表されていますが、まだ利用できません。

プラン価格状況内容
Local$0現在利用可能全エンジンでの音声クローン、ディクテーションとキャプチャ、MCP/エージェント連携、ローカルでの無制限の生成。アカウント不要
Cloud$12/年(ローンチ価格)近日公開Localのすべてに加え、エンドツーエンド暗号化バックアップ、デスクトップとモバイル間の同期、25 GBのストレージ、最大5台のデバイス、30日間のバージョン履歴
Studio$48/年近日公開Cloudのすべてに加え、250 GBのストレージ、無制限のデバイス、1年間のバージョン履歴、優先サポート

Voiceboxは、クラウドの価格と上限は確定しておらず、ローンチ時に確認されるとしており、Studioの価格は「TBD」と表示しています。ローカル利用では、APIキー、レート制限、文字数ごとの料金はありません。実際のコストはハードウェアとディスク容量です。モデルは別途ダウンロードする必要があり、第三者のレビューでは、すべてのエンジンをインストールするのにおよそ15~20 GBが必要と測定されています。

価格はベンダーの料金ページで2026年11月10日に確認しました。Voicebox pricingをご覧ください。

主な機能

Voiceboxがサイトand READMEで挙げている内容:

  • 約3秒の音声から、ファイル、マイク、またはシステム音声を使って音声クローンを作成
  • Qwen3-TTS、Chatterbox、TADA、Kokoroなど、切り替え可能な複数のローカルTTSエンジン
  • 自動チャンク分割により、1回の生成で最大50,000文字に対応
  • Whisper(99言語)とオプションのローカルクリーンアップによる、グローバルなプッシュトゥトークのディクテーション
  • エージェントやスクリプト向けのMCP voicebox.speak ツールとローカルREST API
  • Storiesタイムラインエディターと、プリセット付きのオーディオエフェクトパイプライン
  • macOSとWindows向けのネイティブTauri(Rust)デスクトップアプリ。Linuxはソースからのビルドまたは Docker

Voiceboxが最適なユーザー

Voiceboxは、サブスクリプションや音声のクラウド送信なしで、音声クローン、TTS、ディクテーションを利用したいクリエイターや開発者に適しています。特にMacユーザー(自動貼り付けのディクテーションが動作します)や、MCP経由でClaude CodeやCursorに音声を組み込みたい方に向いています。

ホスト型API、ストリーミングTTS、幅広い商用ボイスライブラリが必要な場合は、ElevenLabsが有料の標準的な選択肢です。ディクテーションのみであれば、Wispr FlowやSuperwhisperの方が特化しています。WindowsおよびLinuxのユーザーは、ディクテーションの自動貼り付けが現時点ではmacOSのみである点にご注意ください。

ユーザーの声

Andrew Ooo氏によるv0.5.0のレビューでは、Voiceboxを、ElevenLabsとWispr Flowに代わる優れた無料のローカル代替と評価しています。約80 MBのアプリでありながら、エンジンの選択肢、クローン、グローバルディクテーション、内蔵MCPサーバーを備えている点を称賛しています。一方で、エンジンごとのリソース要件が高いこと(同氏のMacでは、LuxTTSで約1 GBのVRAMから、TADA 3Bで約10 GBまで)、ストリーミングTTSにまだ対応していないこと、Linux向けのビルド済みバイナリがないこと、自動貼り付けがmacOSのみであること、バグ報告がGitHub issuesではなくDiscord経由であることを挙げています。GitHubリポジトリのスター数は約60,000です。クローン品質について、第三者による並行比較テストは見つかりませんでした。

長所

  • 無料でMITライセンス。アカウント、キー、文字数ごとの料金は不要
  • クローン、TTS、ディクテーションを1つのデスクトップアプリで利用可能
  • 生成ごとに複数のオープンTTSエンジンから選択可能
  • 内蔵MCPサーバーによりコーディングエージェントに声を付与
  • 音声データは自分のマシン上に留まります

短所

  • モデルのダウンロードサイズが大きく、すべてのエンジンを合わせるとおよそ15~20 GBになります
  • Linux向けのビルド済みバイナリはなく、ディクテーションの自動貼り付けはmacOSのみ対応です
  • v0.5.0のレビューによると、ストリーミングTTSにはまだ対応していません
  • クラウドバックアップおよび同期プランはまだ開始されていません

よくある質問

Voiceboxは無料ですか?

はい。Localプランは無料で、ローカルでの生成回数に制限はなく、アカウントも不要です。バックアップと同期のための有料のCloudプラン(ローンチ価格は年額$12)およびStudioプラン(年額$48)は、近日公開予定と表示されています。

VoiceboxはElevenLabsの代替になりますか?

Voicebox自身がそのように位置づけています。音声クローンとTTSはオープンモデルを使って自分のマシン上で実行され、文字数ごとの料金はかかりません。ElevenLabsのホスト型APIやボイスマーケットプレイスは提供していません。

VoiceboxはWindowsとLinuxで動作しますか?

Windowsには、CUDAまたはDirectMLによるアクセラレーションに対応したMSIインストーラーがあります。Linux向けのビルド済みバイナリはまだなく、ソースからビルドするか、Dockerで実行します。

音声をクローンするには、どのくらいの長さの音声が必要ですか?

サイトでは約3秒としています。サンプルには、アップロードしたファイル(WAV、MP3、FLAC、WebM)、最長30秒のマイク録音、またはキャプチャしたシステム音声を使用できます。

Voiceboxはどの言語に対応していますか?

音声生成は、エンジンによって10~23言語に対応しています(Chatterboxでは23言語)。ディクテーションにはWhisperを使用し、99言語に対応しています。

AIエージェントはVoiceboxを利用できますか?

はい。http://127.0.0.1:17493/mcp でMCPサーバーを実行し、voicebox.speak ツールを備えています。サイトではClaude Code、Cursor、Clineが挙げられています。MCPに対応していないツール向けには、POST /speak エンドポイントが用意されています。

代替製品を比較

Voicebox

無料プランあり · 年額$12から · API

Storkブログより

この記事が気に入ったら、毎朝同じようなものをメールで受け取れます。

1日1通 · 2クリックで解除 · サードパーティのトラッキングなし