VoiceStudio 教學：開源本機語音克隆與配音工作台，16 個 TTS 引擎、646 種語言，ElevenLabs 免費替代方案（2026 完整指南）

**VoiceStudio 是一套完全在本機執行的開源語音工作台，讓你不花一毛錢、不上傳任何音檔，就能克隆聲音、幫影片配音、聽寫與製作有聲書。**它整合了 16 個 TTS 引擎與 11 個 ASR 引擎，語言目錄號稱達 646 種，堪稱 ElevenLabs 的開源替代方案。

專案位置：https://github.com/debpalash/VoiceStudio（截至 2026-09-14：約 2.9 萬 stars，AGPL-3.0，前身叫 OmniVoice-Studio）。官方文件齊全，另附簡體中文 README（README_CN.md）。

為什麼你需要一個本機語音工作台？

雲端語音服務（ElevenLabs、Azure TTS、OpenAI TTS）好用，但有幾個繞不開的痛點：

• 按字計費：長篇有聲書或大量配音，帳單會快速累積。
• 隱私：你上傳的語音樣本與文字，都會進到服務商的伺服器。
• 不可離線：沒有網路就無法合成。
• 有限客製：你無法換底層模型，也很難微調音色。

VoiceStudio 把這些痛點反過來：資料預設留在本機，成本 = 你自己的硬體。它與雲端服務的定位差異，官方整理得很清楚：

能幹嘛：六大工作流程

VoiceStudio 不是單一功能的小工具，而是一整套語音工作站：

其他進階能力：人聲分離（Demucs）、說話者分離（Pyannote／WhisperX）、AI 浮水印（AudioSeal 隱寫標記，預設開啟）、遠端 worker 分散運算、GPU 自動偵測（CUDA／MPS／ROCm／CPU）。

安裝：四種平台都支援

macOS（Apple Silicon）

從 Releases 下載 DMG。首次啟動需要「右鍵 → 開啟」解除 Gatekeeper 攔截。⚠️ Intel Mac 無法跑本地 Python 後端（PyTorch 沒有對應 wheel），只能連遠端後端。

Windows 10/11

下載 x64 MSI；選擇「current-user」版本可免管理員權限安裝。

Linux

AppImage（x86_64，需 glibc 2.39+）。

Docker（快速起手）

官方鏡像僅 linux/amd64：

docker run -d -p 127.0.0.1:3900:3900 \
  -v omnivoice-data:/app/omnivoice_data \
  --name voicestudio palashdeb/omnivoice-studio:stable

從原始碼跑

git clone https://github.com/debpalash/VoiceStudio.git
cd VoiceStudio
bun install
bun run desktop

桌面啟動器會在首次執行時用 uv 自動設定 Python 依賴。想用瀏覽器 UI 就改成 bun run dev。

第一次克隆聲音：三步搞定

1. 開啟 Voice Cloning（從音訊克隆） 分頁。
2. 丟一段乾淨的語音樣本——3 秒就夠，5～15 秒效果更好（單一說話者、貼近麥克風、無音樂雜訊迴音）。
3. 輸入文字、選語言，按 Generate。

關鍵觀念：克隆是「零樣本」——樣本只是 prompt，不是訓練資料。想要什麼語調，樣本就錄什麼語調。

不想安裝？官方有 Google Colab 筆記本 可以直接在雲端 GPU 上試跑。

引擎怎麼選：依硬體挑

VoiceStudio 的「引擎」是它的精髓——不同引擎在不同硬體上表現天差地別。官方給了三條建議路線：

預設 TTS 引擎是 OmniVoice（k2-fsa 出品，600+ 語言、支援克隆與指令控制），預設 ASR 是 WhisperX（約 100 種語言、字級時間戳）。完整的 16 個 TTS 引擎還包含 CosyVoice 3、GPT-SoVITS、VoxCPM2、IndexTTS 2.5、PocketTTS 等；11 個 ASR 引擎則涵蓋 Faster-Whisper、MLX Whisper、FunASR 等。用 Ctrl/Cmd + E 或 Model Catalogue 即可切換。

硬體需求

flowchart TD
    A["Tauri v2 桌面殼（Rust）"] --> B["React + Vite 前端"]
    B --> C["FastAPI 後端（localhost:3900）"]
    C --> D["TTS / ASR 引擎註冊表"]
    C --> E["配音 / 音訊 / 長篇管線"]
    C --> F["OpenAI 相容 API + MCP Server"]
    C --> G["SQLite + Alembic → omnivoice_data/"]

進階：把 VoiceStudio 當成 API 伺服器

VoiceStudio 後端開在 localhost:3900，而且相容 OpenAI 音訊 API。你只要把 base_url 指過去：

from openai import OpenAI

client = OpenAI(base_url="http://localhost:3900/v1", api_key="local")

with client.audio.speech.with_streaming_response.create(
    model="tts-1",
    voice="<profile-id>",
    input="Made on my own hardware.",
    response_format="wav",
) as response:
    response.stream_to_file("speech.wav")

或用 cURL 快速測試：

curl http://localhost:3900/v1/audio/speech \
  -H "Content-Type: application/json" \
  -d '{"model":"tts-1","input":"Made on my own hardware.","voice":"default","response_format":"wav"}' \
  --output speech.wav

支援的端點：

接上 AI Agent：MCP Server 與 skills

VoiceStudio 內建 MCP Server（http://localhost:3900/mcp），Claude Desktop、Cursor 等代理可直接呼叫 generate_speech、clone_voice、transcribe：

{
  "mcpServers": {
    "voicestudio": { "url": "http://localhost:3900/mcp" }
  }
}

也能為 Claude Code、Codex、Cursor 等裝現成 skills：

npx skills add debpalash/VoiceStudio

三個要注意的坑

1. 商用授權要看清：VoiceStudio 主程式是 AGPL-3.0，但它只是「殼」；底層模型各有授權。預設 OmniVoice 權重是 CC-BY-NC（非商用），商用前務必核對你選的那個模型的條款。
2. 樣本不是越長越好：克隆是零樣本 prompt，太長、有雜訊的樣本反而會稀釋效果，5～15 秒的乾淨單人錄音最理想。
3. 遠端功能預設關閉：分析（analytics）預設關閉，遠端 worker 與外部 ASR 端點都是 opt-in；預設本機流程下，你的音訊、文字、聲音設定檔全都留在自己硬碟上。

小結

VoiceStudio 把「雲端語音服務」這門生意，硬生生壓縮成一套開源、本機、可客製的語音工作站。對台灣開發者來說，它特別適合三種情境：想要零成本大量產生語音（有聲書、課程、Podcast）、在意音檔隱私（客戶錄音、內部會議）、或想把語音能力接進自己的 AI Agent（MCP／OpenAI API 都開好了）。它還在 active beta、桌面端正在改寫成 Electron，但核心功能已經相當完整，值得現在就裝起來玩。

延伸閱讀：

• VoxCPM2：OpenBMB 免分詞器多語音合成模型
• MLX-Audio：為 Apple Silicon 最佳化的 TTS、STT 和 STS 函式庫
• AI 語音克隆進入「零樣本」時代：解析 TTS 模型四大流派
• LocalAI：自託管 OpenAI API 相容推理伺服器

資料來源：

• VoiceStudio — GitHub（debpalash/VoiceStudio，README 完整文件）
• VoiceStudio 官方文件與引擎指南