Voicebox：开源离线AI语音克隆与智能听写一体化工作台

全本地化语音处理，数据零外泄，安全自主可控

　　Voicebox 是一款真正意义上开箱即用的开源AI语音工具套件，彻底摆脱云端依赖——所有语音克隆、文本转语音（TTS）及语音转文字（ASR）任务均在用户设备端完成，原始音频永不离开本地硬盘。它集成了三大核心模块：高保真语音克隆引擎、多模型协同TTS合成系统，以及毫秒级响应的实时听写工作流，为创作者、开发者与办公人群提供端到端的私有语音生产力解决方案。

支持23种语言+7大TTS引擎，中文识别准确率超98.2%

　　该工具深度适配全球化内容生产需求，内建覆盖中、英、日、韩、法、德、西等23种主流语言的语音识别与合成模型；兼容Coqui-TTS、Piper、Edge-TTS、VITS、XTTS、F5-TTS及GPT-SoVITS共7类先进TTS引擎，用户可自由切换并对比音色自然度与语速稳定性。实测在标准普通话场景下，实时听写准确率达98.2%，支持带标点自动断句与说话人区分，大幅降低后期校对成本。

一键导出SRT/TXT/JSON，无缝对接剪辑与字幕工作流

　　Voicebox不仅满足基础转录，更强化专业协作能力：录音完成后可一键生成带时间轴的SRT字幕文件、纯文本TXT文档或结构化JSON数据包，兼容Premiere、Final Cut Pro、DaVinci Resolve等主流剪辑软件。同时支持自定义时间戳精度（精确至10ms）、批量音频处理及多轨语音分离预设，显著提升短视频制作、课程录制与会议纪要整理效率。

Windows/macOS双平台原生支持，零门槛部署与持续迭代

　　项目采用Python+PyQt构建，提供免安装绿色版与一键式安装包，Windows 10/11及macOS Monterey及以上系统均可原生运行。全部代码托管于GitHub开源仓库，遵循MIT协议，允许商用、二次开发与私有化部署。社区每月发布模型更新与功能补丁，已集成 Whisper.cpp 加速版、TensorRT优化推理模块，并新增方言适配训练工具包，助力用户定制专属语音模型。

　　相较于商业服务如ElevenLabs或WhisperFlow，Voicebox不设时长限制、无订阅费用、无API调用配额，且规避了敏感语音数据跨境传输风险。对于教育机构搭建内部语音实验室、自媒体团队批量生成口播稿、听障人士辅助沟通，或企业构建合规语音知识库等场景，它已成为兼具安全性、扩展性与性价比的首选工具。目前项目已获全球超12,000名开发者星标，社区贡献插件达47个，持续拓展ASR微调、情感TTS、语音水印等前沿能力。