Что делает Voicebox
Voicebox — это локальное ИИ-приложение для работы с голосом, которое позиционирует себя как бесплатная альтернатива с открытым исходным кодом сразу для ElevenLabs (синтез речи) и Wispr Flow (диктовка). Вы клонируете голос примерно по 3 секундам аудио (загруженный файл WAV, MP3, FLAC или WebM, запись с микрофона длительностью до 30 секунд или захваченный системный звук), а затем генерируете речь объёмом до 50.000 символов за один запуск; длинный текст разбивается по границам предложений и склеивается с плавным переходом. Движок можно менять для каждой генерации: на сайте перечислены Qwen3-TTS, Qwen CustomVoice, Chatterbox, Chatterbox Turbo, LuxTTS, TADA (Hume AI) и Kokoro, а в README добавлен Qwen VoiceDesign. Охват языков зависит от движка: от 10 до 23 языков с Chatterbox. Редактор временной шкалы Stories позволяет создавать повествования с несколькими голосами, а конвейер эффектов добавляет изменение высоты тона, реверберацию, задержку и компрессию.
Для ввода достаточно удерживать глобальную горячую клавишу, говорить и отпустить её: Whisper (99 языков) выполняет транскрипцию и в macOS вставляет текст в активное поле; при желании слова-паразиты удаляются локальной моделью Qwen3. Для агентов любой MCP-клиент (на сайте названы Claude Code, Cursor и Cline) может вызывать инструмент voicebox.speak по адресу 127.0.0.1:17493, а локальный REST API предоставляет доступ к генерации, профилям и истории. Загрузки: DMG для компьютеров Mac на Apple Silicon и Intel и MSI для Windows; пользователи Linux собирают приложение из исходного кода или используют Docker. Ускорение поддерживается через Metal/MLX на Apple Silicon, CUDA, ROCm, Intel Arc и DirectML, а также на удалённой машине.
