Skip to content

Обзор Voicebox

Voicebox — бесплатная настольная голосовая студия с открытым исходным кодом (MIT) для Mac и Windows: клонирование голоса по нескольким секундам аудио, генерация речи с помощью нескольких локальных движков TTS, диктовка в любом приложении и возможность дать ИИ-агентам голос через MCP.

Есть бесплатный план · от $12 · API

Вердикт Stork: Voicebox

Voicebox — щедрая бесплатная замена платным приложениям для клонирования и диктовки, если у вас достаточно места на диске и мощности GPU для локальных моделей; наиболее полную версию получают пользователи Mac.

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

stork
Я одно неподвижное изображение.
Одна напечатанная фраза. Ролик стоил $0.05: это минимум за видео.
Фото заговорит за $0.20 в минуту.
Загрузите одно фото и напечатайте текст. Без подписки. Одно бесплатное видео в день.
Сделать бесплатноРазработчикам: есть API

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.

Цены Voicebox

Настольное приложение бесплатное и распространяется по лицензии MIT. Платные облачные тарифы объявлены, но пока недоступны:

ТарифЦенаСтатусЧто включено
Local$0Доступен сейчасКлонирование голоса на каждом движке, диктовка и захват, интеграция MCP/агентов, неограниченное число локальных генераций; без учётной записи
Cloud$12/год (цена на момент запуска)СкороВсё из Local, а также резервное копирование со сквозным шифрованием, синхронизация между компьютером и мобильным устройством, 25 ГБ хранилища, до 5 устройств, история версий за 30 дней
Studio$48/годСкороВсё из Cloud, а также 250 ГБ хранилища, неограниченное число устройств, история версий за 1 год, приоритетная поддержка

Voicebox сообщает, что цены и лимиты облачных тарифов не окончательные и будут подтверждены к запуску, а цена Studio обозначена как «TBD». Для локального использования нет ключей API, ограничений по частоте запросов и платы за символы. Реальные затраты — это оборудование и дисковое пространство: модели загружаются отдельно, а в стороннем обзоре для установки всех движков было измерено примерно от 15 до 20 ГБ.

Цены проверены на странице цен поставщика 10 ноября 2026 г. См. Voicebox pricing.

Основные возможности

Что Voicebox перечисляет на своём сайте и в README:

  • Клонирование голоса примерно по 3 секундам аудио из файлов, с микрофона или из системного звука
  • Несколько переключаемых локальных движков TTS, включая Qwen3-TTS, Chatterbox, TADA и Kokoro
  • До 50.000 символов за одну генерацию с автоматическим разбиением на фрагменты
  • Глобальная диктовка по нажатию клавиши с Whisper (99 языков) и дополнительной локальной очисткой текста
  • Инструмент MCP voicebox.speak и локальный REST API для агентов и скриптов
  • Редактор временной шкалы Stories и конвейер аудиоэффектов с пресетами
  • Нативное настольное приложение на Tauri (Rust) для macOS и Windows; для Linux — из исходного кода или через Docker

Кому Voicebox подходит лучше всего

Voicebox подойдёт авторам контента и разработчикам, которым нужны клонирование голоса, TTS и диктовка без подписки и без отправки аудио в облако, особенно пользователям Mac (где работает диктовка с автовставкой) и тем, кто подключает голос к Claude Code или Cursor через MCP.

Если вам нужны размещённый API, потоковый TTS или обширные коммерческие библиотеки голосов, платным стандартом остаётся ElevenLabs. Для одной только диктовки более узкоспециализированными решениями являются Wispr Flow и Superwhisper. Пользователям Windows и Linux следует учесть, что автовставка при диктовке пока работает только в macOS.

Что говорят пользователи

В обзоре версии v0.5.0 от Andrew Ooo Voicebox назван сильной бесплатной локальной альтернативой ElevenLabs и Wispr Flow; автор хвалит выбор движков, клонирование, глобальную диктовку и встроенный MCP-сервер в приложении размером около 80 МБ. Он отмечает высокие требования к ресурсам для каждого движка (от около 1 ГБ VRAM для LuxTTS до примерно 10 ГБ для TADA 3B на его Mac), отсутствие потокового TTS, отсутствие готовых сборок для Linux, автовставку только в macOS и то, что сообщения об ошибках принимаются через Discord, а не через GitHub issues. В репозитории GitHub около 60.000 звёзд. Независимого сравнительного теста качества клонирования мы не нашли.

Плюсы

  • Бесплатно и под лицензией MIT; без учётной записи, ключей и платы за символы
  • Клонирование, TTS и диктовка в одном настольном приложении
  • Выбор из нескольких открытых движков TTS для каждой генерации
  • Встроенный MCP-сервер даёт голос агентам для программирования
  • Аудио остаётся на вашем компьютере

Минусы

  • Модели имеют большой размер; все движки вместе занимают примерно 15–20 ГБ
  • Готовой сборки для Linux нет; автовставка при диктовке работает только в macOS
  • Потоковой генерации речи (TTS) пока нет, согласно обзору версии v0.5.0
  • Облачные тарифы для резервного копирования и синхронизации пока не запущены

Частые вопросы

Бесплатен ли Voicebox?

Да. Тариф Local бесплатный: неограниченное число локальных генераций и без учётной записи. Платные тарифы Cloud ($12/год — цена на момент запуска) и Studio ($48/год) для резервного копирования и синхронизации отмечены как «скоро будут доступны».

Является ли Voicebox альтернативой ElevenLabs?

Он позиционирует себя именно так: клонирование голоса и TTS работают на вашем компьютере на открытых моделях, без платы за символы. Размещённого API ElevenLabs и маркетплейса голосов в нём нет.

Работает ли Voicebox в Windows и Linux?

Для Windows есть установщик MSI с ускорением через CUDA или DirectML. Готовой сборки для Linux пока нет: её нужно собирать из исходного кода или запускать в Docker.

Сколько аудио нужно Voicebox для клонирования голоса?

По данным сайта, около 3 секунд. Образцами могут быть загруженные файлы (WAV, MP3, FLAC, WebM), запись с микрофона длительностью до 30 секунд или захваченный системный звук.

Какие языки поддерживает Voicebox?

Генерация речи охватывает от 10 до 23 языков в зависимости от движка (23 — с Chatterbox). Для диктовки используется Whisper, который поддерживает 99 языков.

Могут ли ИИ-агенты использовать Voicebox?

Да. Он запускает MCP-сервер по адресу http://127.0.0.1:17493/mcp с инструментом voicebox.speak; на сайте упоминаются Claude Code, Cursor и Cline. Для инструментов без поддержки MCP предусмотрена конечная точка POST /speak.

Сравнить альтернативы

Voicebox

Есть бесплатный план · от $12 · API

Из блога Stork

Нравится статья? Получайте такие каждое утро на почту.

одно письмо в день · отписка в два клика · без сторонних трекеров