VoiceStudio 完整教學 2026：7.3 萬星的本機語音克隆與配音工作站，646 種語言、16 個 TTS 引擎，把 ElevenLabs 搬回自己的電腦（安裝、API、MCP 與限制）

一句話答案：VoiceStudio 是一套 AGPL-3.0 的開源桌面程式，把語音克隆、聲音設計、影片配音、聽寫、轉錄與有聲書製作全部跑在自己的電腦上，官方宣稱支援 646 種語言、內建 16 個 TTS 與 10 個語音辨識引擎；截至 2026-10-17，GitHub API 顯示 72,975 顆星、7,986 個 fork，最新版本 v0.5.6（2026-09-23）。

如果你只是想知道「這東西能不能取代 ElevenLabs」——簡答：對「有自己的 GPU 或 Apple Silicon、且在意音檔不要上傳」的人可以；對「只想貼一段文字、三秒拿到音檔、不想碰模型下載與 VRAM」的人，雲端服務仍然省事。細節在下面。

它為什麼突然被大量轉推

2026-10-17 的 GitHub Trending 上，VoiceStudio 單日 +2,135 星，是當天成長最快的專案之一。這個專案 2026-04-09 才建立，前身叫 OmniVoice Studio（MarkTechPost 在 5 月報導過），改名後一路長到七萬多星，定位也很清楚：開源、全本機的 ElevenLabs 替代品。

它吸引人的點不是「又一個 TTS 模型」，而是把整條語音工作流做成桌面 App：克隆、設計、配音、聽寫、轉錄、有聲書，加上本機 API 與 MCP，讓 AI Agent 也能直接呼叫。

一表看懂：跟 ElevenLabs 的差異

官方首頁自己列了一張對照表（標註「每個來源欄位皆經查證，2026-09-30」），下表依該表整理，並補上筆者查證的欄位：

Pro 版權益依官網標示是：1 人席位、3 台裝置、7 天退款、商業授權、可連遠端裝置與早期功能。要注意的是，Pro 授權只涵蓋應用程式，不涵蓋模型權重、分詞器與生成音檔的使用條件——官方在 README 的 License 段落寫得很明白，這點後面「已知限制」會再展開。

功能全景：六個工作區

另外還有三個常被忽略但很實用的能力：人聲分離（配音前把背景音與人聲分開）、語者分離（一段錄音自動判斷誰在說話，配音流程用 pyannote）、批次佇列（大量檔案排隊跑）、以及AI 水印（輸出時加註）。

引擎盤點：16 個 TTS、10 個語音辨識

VoiceStudio 的核心設計是「引擎可換」。預設引擎是自家品牌、底層跑 k2-fsa/OmniVoice。下表挑幾個台灣使用者最可能用到的：

語音辨識端預設是 WhisperX（擅長配音需要的逐字時間戳與語者分離），另有 Faster-Whisper、MLX Whisper（Mac 預設）、PyTorch Whisper、Parakeet TDT、Moonshine（低功耗、無時間戳）、FunASR（50+ 語言、內建語者分離）、sherpa-onnx（即時聽寫），以及可接自架或遠端的 OpenAI 相容端點。

實務建議：台灣使用者如果要做中文配音，先試預設 OmniVoice，再試 CosyVoice 3 與 IndexTTS 2.5。三者都能零樣本克隆，但情緒表現與中文斷句習慣差異明顯，值得各跑三段同一句話比較。

硬體需求：先看這張表再下載

一段重要提醒：Windows 上的 PyTorch GPU 加速只支援 NVIDIA/CUDA。AMD 與 Intel 顯卡在 PyTorch 引擎上會退回 CPU（audio.cpp 引擎可透過 Vulkan 用到 Radeon）。也就是說，如果你手上是 AMD 顯卡的 Windows 桌機，實際體驗會比規格表看起來慢很多。

安裝：官方指令原文

macOS／Linux 一行安裝：

curl -fsSL https://voicestudio.sh/install | sh

裝指定版本，或直接從 main 建置：

curl -fsSL https://voicestudio.sh/install | sh -s -- --version 0.5.6
curl -fsSL https://voicestudio.sh/install | sh -s -- --main

Windows（PowerShell）：

irm https://voicestudio.sh/install | iex

也可以直接下載安裝檔（macOS .dmg、Windows .exe、Linux .AppImage／.deb），或用 Docker 跑無介面的後端：

git clone https://github.com/debpalash/VoiceStudio.git
cd VoiceStudio
bun install
bun run setup:api   # 先備妥 Python 依賴
bun run dev

兩個容易踩的坑：

1. Tauri 版已經退役。v0.5.3 是最後一個 Tauri 版本，現在只有 Electron。舊使用者要用 Electron 另外安裝並照 docs/electron-migration.md 遷移，安裝腳本不會退回舊的 Tauri 建置。
2. macOS 首次啟動要手動放行。因為沒有付費簽章流程，第一次開啟會被 Gatekeeper 擋，需右鍵→打開。

驗證後端有沒有起來：

curl http://127.0.0.1:3900/health
curl http://127.0.0.1:3900/openapi.json

第一次克隆：三個會決定成敗的設定

1. 參考音長度：Voice Clone 接受最多 75 秒，但官方建議 5–15 秒乾淨語音。預設引擎實際只取 20 秒內、且會自動挑「講話最密集的 15 秒」段落（best_window 策略）；VoxCPM2 取前 30 秒。
2. Transcript 欄位一定要填。這是全站最常見的「怎麼變慢了」原因：如果語音設定檔的逐字稿是空的，每次生成都要先跑一次 Whisper 轉錄。v0.3.15 之後會自動轉錄一次並存回設定檔，但手動匯入或編輯過的設定檔仍可能每生成一次就多付一次 ASR 成本。
3. 第一次生成一定最慢。模型權重延遲載入約 8 秒、CUDA 要編譯 torch.compile、Apple Silicon 要暖 Metal kernel。判斷速度請看第二次之後。

把它當本機語音 API 用：三種接法

VoiceStudio 的後端就是一個常駐在本機 3900 埠的語音服務，桌面 App 只是其中一個前端。官方文件列出四種介面：

無依賴的 Python 橋接工具可以直接測：

python -m backend.speech_client capabilities
python -m backend.speech_client transcribe recording.wav

要把 Claude Code 或 Codex 接上，官方給的 MCP 設定長這樣：

{
  "mcpServers": {
    "omnivoice": {
      "command": "python",
      "args": ["-m", "backend.mcp_shim"],
      "cwd": "/path/to/VoiceStudio",
      "env": { "OMNIVOICE_PORT": "3900", "OMNIVOICE_CLIENT_ID": "claude-code" }
    }
  }
}

另外有個設計滿有意思：每個 Agent 可以綁不同聲音。Client 用 OMNIVOICE_CLIENT_ID 識別自己，語音解析順序是「明確指定的 profile_id → 該 Agent 的綁定 → 系統預設」，所以可以做到「Claude Code 用 Morgan、Cursor 用 Scarlett」。

安全邊界要注意：MCP 傳輸本身沒有身分驗證，官方文件明講不要直接曝露在公網，只能放在受信任的 LAN 或 TLS 反向代理後面。這台後端一旦被別人打到，等於你的 TTS/ASR 算力被免費借用。

效能調校：五個真正有用的旋鈕

官方也提供 Settings → Performance & Device 的圖形介面，會顯示目前實際使用的運算裝置（cuda／mps／cpu）與「GPU active」徽章——這比看工作管理員可靠，因為驅動不相容時它會靜默退回 CPU，只是變慢而不報錯。

價格與授權：免費到什麼程度

• 開源版：AGPL-3.0，免費，功能完整。AGPL 的重點是：如果你把修改後的版本做成網路服務給別人用，必須開源你的修改。
• Pro：US$99/年 或 US$299 買斷（官網標示），含商業授權、3 台裝置、7 天退款。這對「公司內部要用，但不想碰 AGPL 網路服務條款」的團隊是主要賣點。
• 模型權重另外算：README 明確寫「AGPL-3.0 涵蓋應用程式，模型權重、分詞器、聲音與生成輸出屬於另外的條件；付費 App 授權不會連帶授予那些權利」。例如 audio.cpp（Breeze-TTS-2）引擎的權重就標示為研究／非商用。

已知限制與還沒被驗證的事

按本站慣例，這一段單獨列出來，因為它通常比規格表更有用：

官方自述、筆者未實測

• 「646 種語言」是官網與 README 的宣稱，筆者沒有逐一驗證；語言數量通常取決於底層模型（Whisper 系與各家 TTS 語料），不同引擎的實際覆蓋率一定不一樣。
• 「Downloads ~596,000」與首頁按鈕上的「103K+」是兩組不同數字，看起來一個算下載次數、一個算安裝器點擊，官方沒有說明定義，建議只看趨勢不看絕對值。
• 官網顯示「50,000 stars」，但 GitHub API 在 2026-10-17 回傳 72,975。網頁上的星數是快取值（官網自己寫「stars and downloads refresh live」，實際明顯落後），以 API 為準。

明確的技術限制

• Intel Mac 只能當 UI，需要另一台機器跑後端。
• Windows on ARM 是實驗性，官方說「validation pending」。
• 沒有獨顯的機器可跑，但長文生成會等到天荒地老；16 GB 統一記憶體機器同時開瀏覽器 + 配音會被作業系統殺掉後端。
• MCP 與本機 API 沒有內建身分驗證機制（本地端點靠 loopback，遠端要靠 API key 與網路隔離）。
• 專案主要貢獻者集中在單一作者（API 顯示 debpalash 3,375 次貢獻），雖有 7,986 個 fork，但單一作者依賴風險（bus factor）比大型基金會專案高，長期維護要看後續是否形成核心團隊。

法務與倫理

• 克隆聲音請取得當事人授權。台灣的《民法》人格權與相關個資規範下，未經同意複製他人聲音做商業用途風險很高；官方 README 也寫「Clone voices only with permission」。
• AI 水印功能是加分項，但各家平台的偵測機制不一致，「有加水印」不等於「不會被平台判定為 AI 內容」。

誰適合、誰不需要

站內延伸閱讀

• RVC 是什麼？開源 AI 變聲與聲音模型訓練教學——如果你要的是「把 A 的聲音換成 B」，RVC 走的是另一條技術路線。
• CosyVoice：阿里巴巴的開源多語言語音生成模型——VoiceStudio 內建的引擎之一，想單獨用可看這篇。
• VoxCPM2：OpenBMB 免分詞器多語音合成模型——同樣是 VoiceStudio 支援的引擎，聲音設計能力是它的差異點。
• Context Mode 完整指南——如果你打算把 MCP 接進 Claude Code，這篇談的是上下文管理的另一面。

資料來源與查證方式

• GitHub 專案：debpalash/VoiceStudio（README、README_CN、docs/install/agent.md、docs/engines/README.md、docs/performance.md、docs/speech-platform.md、docs/mcp.md，2026-10-17 讀取）
• 官方網站：voicestudio.sh（定價與 ElevenLabs 對照表，站方標示查證日 2026-09-30）
• GitHub API：api.github.com/repos/debpalash/VoiceStudio（stars 72,975、forks 7,986、license AGPL-3.0、created 2026-04-09、pushed 2026-10-17）與 /releases/latest（v0.5.6，2026-09-23），皆於 2026-10-17 查詢。
• 第三方報導：MarkTechPost：Meet OmniVoice Studio（2026-05-26，改名前的報導）
• 星數與下載數採 API 與官網並列，兩者不一致處已於文中標明。

本文為工具介紹，未註冊 Pro、未在 Windows ARM 與 Intel Mac 上實測；安裝指令皆為官方文件原文，未經改寫。