Voicebox 是一款开源、本地优先的 AI 语音工作室:用几秒钟的音频克隆声音,通过七个文本转语音引擎生成语音,也能转写、听写,并把声音接入应用和 AI 智能体——全部在你自己的机器上运行,免费。它的下载量已突破一百万,获得的赞誉大多名副其实。它也把自己定位为 ElevenLabs 和 WisprFlow 的免费本地替代品。
我们做的是 TutDub——一个付费的视频本地化服务,所以请带着这个前提来读这篇对比。这个故事最诚实的版本也最有用:Voicebox 和 TutDub 都是好工具,它们恰好在声音克隆上重合,而在对课程创作者最重要的那一步上分道扬镳——成品视频。
下文关于 Voicebox 的一切均来自其官方站点——产品、定价和文档——核对日期为 2026 年 10 月 13 日。
Voicebox 是什么——以及它真正擅长什么
Voicebox(voicebox.sh,MIT 许可)是一款适用于 macOS、Windows 和 Linux 的桌面应用。无需账户、无需注册、无需云端:克隆、TTS、转写和音效全部在你的机器上运行。应用永久免费,付费方案是可选的端到端加密备份与同步——按当前首发价每年 12 美元。
你能得到的:
- 大约三秒音频即可完成声音克隆,支持上传文件、麦克风录制,或直接捕捉系统正在播放的音频。
- 七个 TTS 引擎,各有各的强项:Qwen3-TTS(10 种语言,可用自然语言下达朗读指令)、Resemble AI 的 Chatterbox(23 种语言)、Chatterbox Turbo(轻量,支持
[laugh]这类副语言标签)、LuxTTS(在 CPU 上极快,48 kHz)、Qwen CustomVoice(风格指令)、Hume 的 TADA(长文本,连贯音频最长 700 秒),以及 Kokoro(极小模型,CPU 实时运行)。 - 基于 Whisper 的 99 种语言转写,可选用本地语言模型精修转写稿,清理犹豫停顿并修正标点。
- 随时随地听写——按住快捷键说话,文字就会落入当前聚焦的任意文本框。
- 故事编辑器,支持多声音时间轴,外加一条可保存预设的音效处理链。
- 一个 MCP 服务器和本地 REST API(
/generate、/profiles等)——Claude Code 之类的智能体可以用你克隆的任何声音说话,无需 API 密钥,也没有速率限制。
这种广度——克隆、听写、智能体、API——正是它下载量突破一百万的原因。对于想折腾声音、生成游戏或有声书音频、或开发语音功能的人来说,这是我们所知最好的免费选择。
语音工作室与配音服务的差距在哪里
这些都不是批评。Voicebox 并未声称自己是配音服务——它是语音工作室。只是这个差距值得说清楚,因为“我能克隆自己的声音”和“我的 YouTube 教程现在有五个语言版本”是两件截然不同的工作。
- 输出的是音频,不是视频。Voicebox 产出的是音频文件。你得到的是一个克隆声音在朗读你的译稿,之后整条视频流水线都归你:为每种语言渲染一条音轨、剪到时间轴上、重新同步、质检、打包、发布。对一个视频来说这是两小时的事;对一批积压的课程视频来说,这是一份工作。
- 没有自适应时间轴。教程是按英语句子长度剪的。德语大约长三分之一;印地语和日语的差距可能更大。Voicebox 的时间轴是为声音准备的,不是为视频准备的,所以每种语言都要手动重新剪辑一遍,剪辑点才能自然。
- 没有术语表,也没有文稿校对环节。如果某个引擎把你的产品名或缩写念错了,你只能反复重新生成,直到碰运气,或者到编辑器里手工修补。整个流程中没有任何机制能在所有语言里把
useState锁定为useState。 - 语言覆盖按引擎划分,且偏向英语。覆盖最广的引擎宣称支持 23 种语言,其余是 10 种。做一门全球课程,你得按市场切换引擎,而大多数模型在英语上最强。
- 干活的是你的硬件。本地推理是它的卖点——也是它的代价。模型、GPU、版本更新都由你维护。可选的云端目前只做备份和同步,不会替你渲染。
尖锐的一面:克隆“任何人”的风险由你承担
三秒即可从捕捉到的音频中克隆声音,这让克隆一个你并不拥有的声音变得轻而易举——一段 YouTube 视频、一档播客、一段同事的会议录音。它的主页甚至内置了以真实公众人物命名的预设声音(Samuel L. Jackson、Morgan Freeman、Scarlett Johansson、Sam Altman、Barack Obama……)。对个人项目和喜剧来说,这是一个功能;对一个公开盈利的频道来说,这是一堆需要你手动管理的风险:平台要求你披露合成声音,未经许可使用真人的形象可能导致视频被权利方主张权利或下架,而在若干司法辖区,这种风险是法律问题,不只是平台规则。
TutDub 的立场刻意更窄:只克隆你拥有权利的声音——你自己的,或你素材中已书面同意的那些人的声音。具体义务写在我们的声音政策里。对课程创作者来说,反正用的就是你自己的声音,这个问题基本就不存在了。
诚实的分界:谁该选哪一个
如果以下情况成立,选 Voicebox:
- 你在为游戏、角色、有声书或应用内语音功能打造声音;
- 你想在自己的硬件上使用听写和智能体声音;
- 你想在投入任何东西之前,先用免费、私密的方式试一试克隆自己的声音。
如果以下情况成立,选 TutDub:
- 你要的是成品视频:一次上传,三十种语言,用你的声音;
- 你希望时间轴按语言重新排布、流程里有术语表、语气词被去掉、标题和描述与视频一起本地化;
- 你不想拥有一块 GPU 并维护半打模型检查点。
并排对比
| Voicebox | TutDub | |
|---|---|---|
| 是什么 | 本地 AI 语音工作室 | 云端视频本地化 |
| 声音克隆 | 任意声音,约 3 秒音频,七个引擎 | 你的声音,基于一段简短的参考音频 |
| 语言 | 每引擎 10–23 种,偏向英语 | 30 种,用你克隆的声音 |
| 输出 | 音频 + 转写稿 | 成品本地化视频文件 |
| 自适应时间轴 | 为声音,不为视频 | 有——剪辑点按语言重新排布 |
| 术语表 / 术语锁定 | 无 | 有(场景优化) |
| 语气词 | 转写稿精修,可选 | 直接在配音中去除,所有方案均含 |
| 运行位置 | 你的机器(GPU 有帮助) | 我们的云端,在你的浏览器里 |
| 账户 | 本地使用不需要 | 需要 |
| 价格 | 永久免费;可选 E2EE 云端 12 美元/年 | 按分钟计点数,含免费试用 |
| 透明度 | 开源(MIT) | 闭源,流程有文档 |
| 隐私 | 按设计,一切都不离开你的机器 | 需上传;成品 96 小时内删除;不留存持久声音模型 |
TutDub 的诚实局限
如果我们自己那一栏里全是加号,我们写的这份对比就不值得你花时间了。所以:
- 三十种语言,对比 Voicebox 覆盖最广的引擎的 23 种——所以在数量上我们已经领先,而不是受限。诚实的取舍在下面:没有口型同步、仅限云端、并且收费。对课程创作者来说,30 种覆盖了会付费的市场——同一个声音,全部是成品。
- 没有口型同步。Voicebox 也不提供,但这里不是许下兑现不了的承诺的地方。我们以录屏为主,画面里根本没有嘴需要对齐。
- 它是云端的。如果你的硬性要求是“每一个字节都留在这台机器上”,那么 Voicebox 加上一条手工剪辑流水线是条正当的路。我们宁愿你在这里读到,也不愿你事后才发现。
- 它是收费的。免费是实实在在的差别,我们不会粉饰它。我们诚实的回应:教程是一门生意,配音是一项预算项目,而按分钟计点数的算法公开透明——每分钟每种语言一个点数。
免费开始——3 个欢迎点数,无需银行卡。在做决定之前,先听听你的课程说另一种语言是什么效果。
继续阅读
FAQ
-
Voicebox 真的免费吗?
是的。应用以 MIT 许可开源,完全本地运行,无需账户或订阅。Voicebox 只对可选的云端备份与同步收费——按当前首发价每年 12 美元——并说明云端定价尚未最终确定。
-
Voicebox 能用我的声音给我的视频配音吗?
它可以克隆你的声音并用它生成语音——然后就止步于此了。输出的是音频。为每种语言制作视频、重新同步时间轴、本地化标题和描述,都得你自己来。TutDub 承接这一整套工作,交回成品视频文件。
-
哪个更注重隐私——Voicebox 还是 TutDub?
Voicebox 按设计把一切都留在你的机器上,所以这一项它赢。TutDub 是云端:你上传,我们处理,成品在 96 小时内删除,不留存任何持久的声音模型或声纹。架构不同,但两者都被如实描述。
-
用 Voicebox 给整门课程配音更便宜吗?
软件本身不花钱;成本出在干活上。手工制作、重新同步、逐个语言质检,一个视频就要花掉你几个小时,而且元数据你还得自己本地化。TutDub 用每分钟每种语言一个点数换掉这一切,另一头交给你成品文件。软件免费,流水线却要你亲自无偿去跑,那并不免费。
-
预设的名人声音用起来安全吗?
这取决于具体情况,我们不在这里提供法律建议。未经许可在声音中使用真人的身份,会招来索赔、内容下架——在某些地方还有法律风险——而且平台要求你披露合成声音。对课程创作者来说,最安全的声音是你有权使用的那个:你自己的声音。
-
那我到底该选哪一个?
想折腾声音、搭角色、听写、给智能体喂声音:选 Voicebox。想把一个教程变成三十个成品语言版本、用你自己的声音、带上时间轴:选 TutDub。还在犹豫?在 Voicebox 里克隆一次你自己的声音——那是近距离观察克隆质量的好办法。