Voicebox 是一個開源、以本地為先的 AI 語音工作室:用幾秒鐘的音訊複製聲音, 透過七種文字轉語音引擎產生語音,也能轉錄、聽寫,還能把聲音接進應用程式與 AI 代理——全部都在你自己的電腦上執行,完全免費。它的下載量已突破一百萬,而且 大部分的讚美都名副其實。它也把自己定位為 ElevenLabs 與 WisprFlow 的免費本地 替代方案。
我們製作的是 TutDub,一項付費的影片在地化服務,所以請把這點放在心上來閱讀 這份比較。這個故事最誠實的版本,同時也是最有用的版本:Voicebox 與 TutDub 都 是好工具,兩者恰好在聲音複製上重疊,卻在對課程創作者最重要的那一步分道揚 鑣——完成的影片。
以下關於 Voicebox 的內容都來自它自己的網站——產品、價格 與文件——查閱於 2026 年 10 月 13 日。
Voicebox 是什麼——以及它真正厲害的地方
Voicebox(voicebox.sh,MIT 授權)是一款適用於 macOS、Windows 與 Linux 的桌面 應用程式。不必註冊帳號、不必登入、不必依賴雲端:聲音複製、TTS、轉錄與音效完 全在你的電腦上執行。應用程式永久免費,付費方案則是選購的端對端加密備份與同步 ——目前上市價格為每年 12 美元。
你會得到:
- 約三秒音訊即可複製聲音,可透過上傳、麥克風,或擷取系統正在播放的音訊 完成。
- 七種 TTS 引擎,各有不同強項:Qwen3-TTS(10 種語言、可用自然語言下達
朗讀指令)、Resemble AI 的 Chatterbox(23 種語言)、Chatterbox Turbo(輕量、
支援
[laugh]這類副語言標籤)、LuxTTS(在 CPU 上非常快、48 kHz)、 Qwen CustomVoice(風格指令)、Hume 的 TADA(長篇、連貫音訊最長可達 700 秒),以及 Kokoro(超小模型、CPU 即時運算)。 - 基於 Whisper 的 99 種語言轉錄,可選用本地語言模型潤飾逐字稿,清除猶豫 停頓並修正標點。
- 隨時聽寫——按住快捷鍵說話,逐字稿就會出現在任何作用中的文字欄位。
- 故事編輯器,可用來建立多聲音時間軸,另有可儲存預設值的音效處理流程。
- MCP 伺服器與本地 REST API(
/generate、/profiles等)——Claude Code 這類代理能以你複製過的任何聲音說話,不需要 API 金鑰,也沒有速率限制。
這種廣度——聲音複製、聽寫、代理、API——正是它下載量突破一百萬的原因。 對於想實驗各種聲音、為遊戲或有聲書產生音訊,或打造語音功能的人來說,這是我們 所知最好的免費選項。
語音工作室跨不過配音服務的門檻
這些都不是批評。Voicebox 從未自稱是配音服務——它是語音工作室。只是這個差距值 得說得精確一點,因為「我能複製自己的聲音」和「我的 YouTube 教學影片現在有五種 語言版本」是兩件截然不同的工作。
- 產出的是音訊,不是影片。Voicebox 渲染的是音訊檔案。你會得到一個複製聲 音在朗讀你的翻譯腳本,接下來整條影片流程都是你的:為每種語言渲染音軌、剪輯到 時間軸上、重新對時、品管、打包、發布。一支影片要花幾個小時;對一批積壓的課 程影片來說,那就是一份工作。
- 沒有自適應時間軸。教學影片是依英文句子長度剪輯的。德文大約長三分之一; 印地語與日語的差距可能更大。Voicebox 的時間軸是為聲音服務,不是為影片服務, 所以每種語言都需要手動重新剪輯,才能讓剪接點保持自然。
- 沒有詞彙表,也沒有腳本檢查流程。如果某個引擎把你的產品名稱或縮寫念錯,
你只能不斷重新產生,直到碰巧對了,或是在剪輯軟體裡事後修補。整個流程中沒
有任何機制能確保
useState在每一種語言裡都維持為useState。 - 語言涵蓋依引擎而定,且偏向英語。涵蓋最廣的引擎宣稱支援 23 種語言,其餘是 10 種。要做全球課程,你得依市場切換引擎,而且多數模型最擅長的都是英語。
- 由你的硬體承擔運算。本地推論正是它的賣點——也是它的代價。模型、GPU 與 版本更新都由你自行維護。選購的雲端目前只負責備份與同步,不會替你渲染。
尖銳之處:複製「任何人」的風險由你承擔
三秒即可從擷取的音訊完成複製,讓複製你不擁有的聲音變得輕而易舉——一段 YouTube 影片、一檔播客、一段同事的會議錄音。首頁甚至內建以真實公眾人物命名的預設聲音 (Samuel L. Jackson、Morgan Freeman、Scarlett Johansson、Sam Altman、 Barack Obama……)。對個人專案與喜劇來說,這是功能;對公開且有營收的頻道來說, 這是一堆必須靠人工管理的風險:平台要求你揭露合成聲音,未經授權使用真人的肖像 可能導致影片被主張權利或下架,而在某些司法管轄區,這種風險是法律問題,而不只 是平台規範。
TutDub 的立場刻意收窄:只複製你有權利使用的聲音——你自己的,或是影片中已書面 同意的那些人的聲音。具體義務詳載於我們的聲音政策。在課程創作者的 情境下,那反正就是你自己的聲音,所以這個問題大半不存在了。
誠實的分野:誰該選哪一個
如果你符合以下情況,選 Voicebox 是對的:
- 你在為遊戲、角色、有聲書或應用程式內的語音功能打造聲音;
- 你想在自己的硬體上使用聽寫與代理聲音;
- 你想在投入任何事之前,先用免費且私密的方式試試複製自己的聲音。
如果你符合以下情況,選 TutDub 是對的:
- 你要的是完成的影片:上傳一次、三十種語言、用你的聲音;
- 你想讓時間軸依每種語言重新編排、流程中有詞彙表、語氣詞被移除,標題與描述也 和影片一起在地化;
- 你不想自己擁有並維護一顆 GPU 和半打模型檢查點。
並排比較
| Voicebox | TutDub | |
|---|---|---|
| 它是什麼 | 本地 AI 語音工作室 | 雲端影片在地化 |
| 聲音複製 | 任何聲音、約 3 秒音訊、七種引擎 | 你的聲音,取自一段簡短參考 |
| 語言 | 每種引擎 10–23 種、偏向英語 | 30 種,用你複製的聲音 |
| 產出 | 音訊與逐字稿 | 完成的在地化影片檔案 |
| 自適應時間軸 | 為聲音服務,不是為影片 | 有——剪接點依語言重新編排 |
| 詞彙表/術語鎖定 | 無 | 有(場景優化) |
| 語氣詞 | 逐字稿潤飾,選購 | 在配音本身移除,所有方案都含 |
| 執行位置 | 你的電腦(有 GPU 更快) | 我們的雲端,在瀏覽器中 |
| 帳號 | 本地模式不需帳號 | 需要 |
| 價格 | 永久免費;選購的 E2EE 雲端每年 12 美元 | 依分鐘計費的點數,含免費試用 |
| 透明度 | 開源(MIT) | 閉源、流程有文件記載 |
| 隱私 | 設計上不會有任何資料離開你的電腦 | 需上傳;產出在 96 小時內刪除;不保留持久聲音模型 |
TutDub 的誠實限制
如果我們這一欄全是加號,那我們寫的比較就不值得你花時間。所以:
- 三十種語言,對上 Voicebox 涵蓋最廣的引擎的 23 種——所以在數量上這是領先, 而不是限制。誠實的取捨在下面:沒有口型同步、只有雲端、而且要付費。對課程創作 者來說,30 種涵蓋了會付費的市場——全部用同一個聲音、全部完成。
- 沒有口型同步。Voicebox 也沒有,但這裡不是給出無法兌現承諾的地方。我們以 螢幕錄影為主,畫面裡沒有嘴巴需要對口型。
- 這是雲端服務。如果你的硬性要求是「每一個位元都留在這台機器上」,那麼 Voicebox 加上手動剪輯流程是一條正當的路。我們寧願你在這裡讀到,而不是事後才 發現。
- 這要付費。免費是實實在在的差異,我們不會粉飾它。我們誠實的回應是:教學影 片是一門生意,配音是一筆預算項目,而點數的計費方式透明公開——每分鐘、每一 種語言各一點。
免費開始 ——三點歡迎點數,不需信用卡。在做決定之前,先用新 語言聽聽你自己的課程。
延伸閱讀
常見問題
-
Voicebox 真的免費嗎?
是的。該應用程式以 MIT 授權開源,完全本地執行,不需要帳號或訂閱。 Voicebox 只對選購的雲端備份與同步收費——目前上市價格為每年 12 美元—— 並註明雲端價格尚未定案。
-
Voicebox 能用我的聲音為我的影片配音嗎?
它能複製你的聲音並用它產生語音——但僅止於此。產出的是音訊。為每種語言建立 影片、重新同步時間軸、在地化標題與描述,全都是你的工作。TutDub 接手這整套 工作,交回完成的影片檔案。
-
哪一個比較注重隱私——Voicebox 還是 TutDub?
Voicebox 在設計上把一切留在你的電腦上,所以在這一面向上它勝出。TutDub 是 雲端:你上傳、我們處理、產出在 96 小時內刪除,也不會留下持久的聲音模型或 聲紋。兩種架構不同,但我們都誠實描述它們。
-
為整套課程配音,Voicebox 比較便宜嗎?
軟體本身不花錢;成本都出在工作上。親手製作、重新對時並品管每一種語言,每 支影片都要花你好幾個小時,而且中繼資料還是得你自己在地化。TutDub 把這些工作 換成每分鐘、每種語言各一點的點數,另一頭交給你完成的檔案。軟體免費,流程卻 得自己做的,這並不算免費。
-
預設的名人聲音用起來安全嗎?
視情況而定,我們在這裡不提供法律建議。未經授權在聲音中使用真人的身分,會招 致主張權利、內容下架,以及——在某些地方——法律風險,而平台也要求你揭露合成 聲音。對課程創作者而言,最安全的聲音是你有權使用的那一個:你自己的。
-
那我到底該選哪一個?
想實驗聲音、打造角色、聽寫,或接上代理:選 Voicebox。想把一支教學影片變成 三十個完成的語言版本、用你自己的聲音、附上時間軸:選 TutDub。還在猶豫?在 Voicebox 裡複製一次你自己的聲音——這是近距離檢視複製品質的好方法。