Skip to content

Análise do Voicebox

O Voicebox é um estúdio de voz para desktop, gratuito e de código aberto (MIT), para Mac e Windows: clone uma voz a partir de segundos de áudio, gere fala com vários motores de TTS locais, dite em qualquer lugar e dê voz a agentes de IA via MCP.

Plano grátis · a partir de $12 · API

Veredito da Stork sobre Voicebox

O Voicebox é um substituto gratuito e generoso para aplicativos pagos de clonagem e ditado, caso você tenha disco e GPU para modelos locais, sendo que os usuários de Mac obtêm a versão mais completa.

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

stork
Eu sou uma única imagem parada.
Uma frase digitada. Este clipe custou $0.05, o mínimo por vídeo.
Faça uma foto falar por $0.20 o minuto.
Envie uma foto e digite o texto. Sem assinatura. Um vídeo grátis por dia.
Faça um grátisDesenvolvedores: existe uma API

O que o Voicebox faz

O Voicebox é um aplicativo de voz com IA, focado em execução local, que se apresenta como uma alternativa gratuita e de código aberto à ElevenLabs (saída de fala) e ao Wispr Flow (ditado), reunidos em um só. Você clona uma voz a partir de cerca de 3 segundos de áudio (um arquivo WAV, MP3, FLAC ou WebM enviado, uma gravação de microfone de até 30 segundos ou áudio do sistema capturado) e, em seguida, gera fala de até 50.000 caracteres por execução; textos longos são divididos nos limites das frases e unidos com crossfade. É possível trocar de motor a cada geração: o site lista Qwen3-TTS, Qwen CustomVoice, Chatterbox, Chatterbox Turbo, LuxTTS, TADA (Hume AI) e Kokoro, e o README acrescenta Qwen VoiceDesign. A cobertura de idiomas depende do motor, de 10 idiomas até 23 com Chatterbox. Um editor de linha do tempo Stories cuida de narrativas com várias vozes, e um pipeline de efeitos adiciona mudança de tom, reverberação, delay e compressão.

Para a entrada, mantenha pressionada uma tecla de atalho global, fale e solte: o Whisper (99 idiomas) transcreve e, no macOS, cola no campo em foco, com limpeza opcional de palavras de preenchimento por um modelo Qwen3 local. Para agentes, qualquer cliente MCP (o site menciona Claude Code, Cursor e Cline) pode chamar uma ferramenta voicebox.speak em 127.0.0.1:17493, e uma API REST local expõe geração, perfis e histórico. Os downloads são um DMG para Macs com Apple Silicon e Intel e um MSI para Windows; usuários de Linux compilam a partir do código-fonte ou usam Docker. A aceleração abrange Metal/MLX no Apple Silicon, CUDA, ROCm, Intel Arc e DirectML, ou uma máquina remota.

Preços do Voicebox

O aplicativo desktop é gratuito e licenciado sob MIT. Os planos pagos na nuvem foram anunciados, mas ainda não estão disponíveis:

PlanoPreçoStatusIncluído
Local$0Disponível agoraClonagem de voz em todos os motores, ditado e captura, integração MCP/agentes, gerações locais ilimitadas; sem conta
Cloud$12/ano (preço de lançamento)Em breveTudo do Local, mais backup com criptografia de ponta a ponta, sincronização entre desktop e dispositivos móveis, 25 GB de armazenamento, até 5 dispositivos, histórico de versões de 30 dias
Studio$48/anoEm breveTudo do Cloud, mais 250 GB de armazenamento, dispositivos ilimitados, histórico de versões de 1 ano, suporte prioritário

O Voicebox informa que os preços e limites da nuvem não são definitivos e serão confirmados no lançamento, e indica o preço do Studio como "TBD". Não há chaves de API, limites de taxa nem cobrança por caractere no uso local. Seu custo real é hardware e disco: os modelos são baixados separadamente, e uma análise de terceiros mediu cerca de 15 a 20 GB para instalar todos os motores.

Preços verificados na página de preços do fornecedor em 10 de novembro de 2026. Veja Voicebox pricing.

Principais recursos

O que o Voicebox lista em seu site e no README:

  • Clonagem de voz a partir de cerca de 3 segundos de áudio, por arquivos, microfone ou áudio do sistema
  • Vários motores de TTS locais intercambiáveis, incluindo Qwen3-TTS, Chatterbox, TADA e Kokoro
  • Até 50.000 caracteres por geração, com divisão automática em trechos
  • Ditado global por tecla de atalho (push-to-talk) com Whisper (99 idiomas) e limpeza local opcional
  • Ferramenta MCP voicebox.speak e API REST local para agentes e scripts
  • Editor de linha do tempo Stories e pipeline de efeitos de áudio com predefinições
  • Aplicativo desktop nativo em Tauri (Rust) para macOS e Windows; Linux a partir do código-fonte ou Docker

Para quem o Voicebox é mais indicado

O Voicebox é indicado para criadores e desenvolvedores que querem clonagem de voz, TTS e ditado sem assinatura e sem enviar áudio para a nuvem, especialmente usuários de Mac (onde o ditado com colagem automática funciona) e quem deseja integrar uma voz ao Claude Code ou ao Cursor via MCP.

Se você precisa de uma API hospedada, TTS em streaming ou amplas bibliotecas de vozes comerciais, a ElevenLabs é o padrão pago. Para ditado apenas, Wispr Flow e Superwhisper são mais especializados. Usuários de Windows e Linux devem observar que, por enquanto, a colagem automática do ditado só funciona no macOS.

O que dizem os usuários

Uma análise da v0.5.0 por Andrew Ooo classifica o Voicebox como uma forte alternativa local e gratuita à ElevenLabs e ao Wispr Flow, elogiando a escolha de motores, a clonagem, o ditado global e o servidor MCP integrado em um aplicativo de cerca de 80 MB. Ele aponta grandes exigências de recursos por motor (cerca de 1 GB de VRAM para o LuxTTS até aproximadamente 10 GB para o TADA 3B em seu Mac), ausência de TTS em streaming, ausência de binários Linux pré-compilados, colagem automática somente no macOS e relatos de bugs encaminhados pelo Discord em vez de issues do GitHub. O repositório no GitHub mostra cerca de 60.000 estrelas. Não encontramos nenhum teste independente comparando lado a lado a qualidade da clonagem.

Prós

  • Gratuito e com licença MIT; sem conta, chaves ou taxas por caractere
  • Clonagem, TTS e ditado em um único aplicativo desktop
  • Escolha entre vários motores de TTS abertos a cada geração
  • Servidor MCP integrado dá voz a agentes de programação
  • O áudio permanece na sua máquina

Contras

  • Os downloads dos modelos são grandes; todos os motores ocupam cerca de 15-20 GB
  • Não há binário Linux pré-compilado; o colar automático do ditado só funciona no macOS
  • Ainda não há TTS em streaming, segundo uma análise da v0.5.0
  • Os planos de backup e sincronização na nuvem ainda não foram lançados

Perguntas frequentes

O Voicebox é gratuito?

Sim. O plano Local é gratuito, com gerações locais ilimitadas e sem necessidade de conta. Os planos pagos Cloud ($12/ano, preço de lançamento) e Studio ($48/ano), para backup e sincronização, estão marcados como em breve.

O Voicebox é uma alternativa à ElevenLabs?

Posiciona-se como tal: a clonagem de voz e o TTS são executados na sua própria máquina com modelos abertos, sem taxas por caractere. Não oferece a API hospedada nem o marketplace de vozes da ElevenLabs.

O Voicebox funciona no Windows e no Linux?

O Windows conta com um instalador MSI com aceleração CUDA ou DirectML. O Linux ainda não tem binário pré-compilado; é necessário compilar a partir do código-fonte ou executar em Docker.

De quanto áudio o Voicebox precisa para clonar uma voz?

O site indica cerca de 3 segundos. As amostras podem ser arquivos enviados (WAV, MP3, FLAC, WebM), uma gravação de microfone de até 30 segundos ou áudio do sistema capturado.

Quais idiomas o Voicebox suporta?

A geração de fala abrange de 10 a 23 idiomas, dependendo do motor (23 com Chatterbox). O ditado usa o Whisper, que abrange 99 idiomas.

Agentes de IA podem usar o Voicebox?

Sim. Executa um servidor MCP em http://127.0.0.1:17493/mcp com uma ferramenta voicebox.speak; o site menciona Claude Code, Cursor e Cline. Um endpoint POST /speak atende ferramentas sem MCP.

Comparar alternativas

Voicebox

Plano grátis · a partir de $12 · API

Do blog da Stork

Gostando do artigo? Receba um assim na sua caixa de entrada toda manhã.

um e-mail por dia · cancele em dois cliques · sem rastreadores de terceiros