把 ElevenLabs 那套搬回自己电脑：VoiceStudio 用 AGPL-3.0 开源了克隆、配音、听写、转写六合一，六个平台全本地跑，代价是 Windows 上 A 卡只能吃 CPU

先说一个很具体的场景：你手上有 12 秒录音，想让这段声音把一篇 3000 字的稿子念出来——同样的音色、同样的口音、同样的停顿习惯。

这条路过去只有两个走法：要么按月付费买云服务，把声音样本和文本一起上传；要么自己凑一套 TTS，装模型、配环境、写推理脚本，运气好两天能出声，运气不好卡在 CUDA 版本上。

VoiceStudio 走的是第三条：一个装完就能用的桌面应用，所有推理都在你本机跑，断网也能用。它是 AGPL-3.0 的开源项目，也是最近 GitHub 上增速最快的那一档（抓取时约 9.7 万星）。

这篇不评「像不像真人」——那要做盲听测试，谁都没给数据。只把能装什么、要多少空间、有哪些坑说清楚，让你自己判断值不值得装。

一、交付清单

平台分三档，装之前先对照自己那台：

二、它到底能做什么

官方把自己叫「本地版 ElevenLabs」，落到功能上是六件事：声音克隆、声音设计（用文字描述生成音色）、视频配音、听写、转写、有声书朗读。再往外还有批量队列、快捷键、本地 API 与 MCP。

干这些活的不是一个模型，而是一堆引擎，你在「模型管理」里选：

这个设计的好处很直接：换个模型不用重装整个软件。坏处也在同一处——引擎越多，「哪个引擎支持哪种功能、吃多少显存、占多少盘」的组合就越多，第五节和第六节专门讲这个。

三、三条上手路径，按你的身份选

路径一：就想剪个音频、配个音。装应用，打开「声音克隆」，选一个自带音色或加一段 5–15 秒干净录音，输入文字，生成。它在下载任何模型之前会先问你。

路径二：写脚本批量跑。后端是常驻的本地服务，端口 3900，先探能力：

curl http://127.0.0.1:3900/.well-known/voicestudio-speech

返回 voicestudio.speech.v1 的能力清单，里面的地址是相对路径，所以挂在 Tailscale 或反向代理后面也能用。仓库还带一个零依赖的 Python 客户端，适合做钩子和终端工具。

路径三：让 Agent 用你选的声音说话。MCP 服务器挂在同一个后端的 /mcp，不用另起进程，应用开着就能连。工具包括：

这里有个很懂 Agent 的设计：音频默认是 base64 塞回上下文的，一段 WAV 能吃掉大量 token。把 OMNIVOICE_MCP_OUTPUT_MODE 设成 files，它就改成写文件、只回路径。另外 OMNIVOICE_MCP_BASE_PATH 是明确的文件访问边界——不设这个，任何路径参数一律拒绝。给 Agent 开文件权限这件事，它默认是收紧的。

四、安装：三条命令，别多走

安装脚本支持指定版本（--version X.Y.Z）、跟随主分支（--main）、卸载（--uninstall，保留你的数据）。Linux 另有 AppImage、deb、Snap、Nix 几条路；服务器上可以直接拉 GHCR 的镜像跑 Docker。

macOS 上如果提示「VoiceStudio 已损坏」，不是包坏了，是 Gatekeeper 拦了——第一次要右键 → 打开，放行一次。这条坑官方专门写在文档里，因为报的人太多。

五、真实的账：磁盘、显存、第一次为什么慢

先说体积。OmniVoice 首次下载约 2.3 GB。这只是默认引擎。麻烦在于有几个引擎（IndexTTS2、MOSS-TTS-v1.5、dots.tts）依赖和主环境的 torch 冲突，必须各开一个独立虚拟环境——而「一个独立的 torch」有多重，官方给了实测数：

好消息是依赖管理器 uv 会给相同的 wheel 做硬链接或写时复制，多个环境共享同一份字节。但有两个前提：缓存目录和各引擎的虚拟环境必须在同一个文件系统上（跨盘就退化成完整拷贝），而且必须是完全相同的那个 wheel——torch 2.6+cu124 和 2.8+cu128 是两个 wheel，一点都不会共享。

所以硬盘紧的人记住一句：别为了尝鲜把十几个引擎全装上。先装两套，玩熟了再换。

再说速度。官方性能文档的实测基线是一台 16GB 的 M2，三条结论比任何跑分都有用：

1. 重启后的第一次生成永远最慢。权重是惰性加载的，约 8 秒；CUDA 还要编译内核，Apple Silicon 要预热 Metal。判断快慢要看第二次之后。
2. 音色档案里「转录文本」那一栏别留空。留空的话，每次生成都会先跑一遍整段 Whisper——这就是那个「更新完 TTS 突然变慢、CPU 打满」的老问题（v0.3.15 之前每次生成跑一次，之后改成跑一次存下来，但导入或手工编辑的数据仍会复现）。
3. Windows 上只有 N 卡能用 GPU。PyTorch 引擎在 Windows 走的是 NVIDIA/CUDA，AMD 与 Intel 显卡会被静默降级到 CPU——能用，只是慢几倍。要用上 A 卡得换 audio.cpp 那一系（走 Vulkan）。应用里「设置 → 性能」会明说当前是 cuda / mps / cpu，以及「为什么没用上」。

六、六个容易踩的坑

1. 参考音频不是越长越好。界面接受 75 秒以内，但建议 5–15 秒干净人声。OmniVoice 实际只用 20 秒内、自动挑「语音最多」的 15 秒窗口，VoxCPM2 保留前 30 秒。超过上限还硬塞转录文本，请求会被直接拒（clone_ref_too_long）。
2. 「646 种语言」是跨引擎口径。不同引擎覆盖的语言数差很多，别把这个数字当成「随便哪种语言都行」。中文场景建议先用默认引擎试，再决定要不要换。
3. 手机端是预览。Android 10+ 给的是 apk、iOS 17+ 给的是 ipa（侧载），端上离线跑——能用，但别指望它跟桌面同水准。
4. Intel Mac 只能当遥控器。官方写明这台机器上只跑界面，推理必须连远程后端。
5. 下载慢多半不是网速问题。它内置了分块并行下载器（最多 8 段、每段 16MB、断了按清单续传），但默认关掉了 Hugging Face 的 Xet 加速通道——因为那个通道拿不到逐字节进度。填一个 Hugging Face token 会明显变快。
6. 配音过程会临时把 TTS 挪到 CPU。这是为了腾显存给转写模型，属于正常调度；老版本在取消配音时不会挪回来，之后每次生成慢 10–50 倍，v0.3.23 已修。用旧版遇到「突然变慢」，重启后端即可。

七、许可与合规：这两条要看清

应用是 AGPL-3.0。自己用、改、商用都可以，但如果你把它改成对外提供的服务，改动部分要按同许可开源。它不是一个能闭源嵌进商业产品的组件。

模型不是同一个许可。音色、权重、生成产物各有各的条款，应用里的模型管理会逐项显示。有些引擎的权重是研究 / 非商用许可，装之前那一步会弹许可确认，别一路点同意。

还有一条不是法律问题但更重要：克隆声音必须取得本人同意。项目 README 把这句话单独写成一段。技术上 15 秒样本就够了，这条线只能靠人守。

八、值不值得装

如果决定装，最短路径是：跑那条安装命令 → 打开「声音克隆」→ 录 10 秒自己的声音 → 生成一句短句 → 觉得音色能接受，再去模型管理里换引擎。别一上来就把所有引擎点一遍。

九、一句话

它解决的不是「合成得好不好听」，而是「这件事能不能不出我的机器」。语音是最容易被当成隐私的一类数据，而过去几年好用的方案几乎都要求你把声音样本上传。VoiceStudio 把这条路在地面上重铺了一遍：AGPL、六个平台、十几套引擎可换、后端还给你留了 HTTP 与 MCP 两个口子。

代价也很具体：2.3 GB 起步的模型、Windows 上只认 N 卡、手机端还在预览、AGPL 不允许闭源嵌入。这几条能接受，它就值得占你一个应用位；不能接受，说明你要的其实是云服务。