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.
