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。
