debpalash / VoiceStudio
debpalash / VoiceStudio
VoiceStudio (formerly OmniVoice-Studio) allows you to clone voices, dub videos, dictate, and produce long-form audio on your own hardware. It features 16 TTS engines, 11 ASR engines, a 646-language catalogue, and support for macOS, Windows, Linux, and Docker. There are no accounts, API keys, subscriptions, or usage meters for the local workflow. VoiceStudio（前身为 OmniVoice-Studio）允许您在自己的硬件上克隆声音、为视频配音、听写并制作长篇音频。它拥有 16 个 TTS 引擎、11 个 ASR 引擎、646 种语言目录，并支持 macOS、Windows、Linux 和 Docker。本地工作流无需账户、API 密钥、订阅或使用量计费。
At a glance
概览
VoiceStudio Workflows: Voice cloning and design, video dubbing, dictation, stories, audiobooks, batch generation. VoiceStudio 工作流： 声音克隆与设计、视频配音、听写、故事、有声读物、批量生成。
Language catalogue: 646 TTS languages; actual coverage and quality depend on the selected engine. 语言目录： 646 种 TTS 语言；实际覆盖范围和质量取决于所选引擎。
Engines: 16 TTS · 11 ASR · switch in Model Catalogue or with Ctrl/Cmd+E. 引擎： 16 个 TTS · 11 个 ASR · 可在模型目录中或通过 Ctrl/Cmd+E 切换。
Platforms: macOS 13.3+ on Apple Silicon · Windows 10/11 x64 · Linux x86_64 with glibc 2.39+. 平台： Apple Silicon 上的 macOS 13.3+ · Windows 10/11 x64 · 带有 glibc 2.39+ 的 Linux x86_64。
Compute: CUDA · Apple Silicon MPS/MLX · ROCm on Linux · CPU · optional remote workers. 计算： CUDA · Apple Silicon MPS/MLX · Linux 上的 ROCm · CPU · 可选远程工作节点。
Interfaces: Desktop app · local REST/SSE/WebSocket API · OpenAI-compatible audio API · MCP Server. 接口： 桌面应用 · 本地 REST/SSE/WebSocket API · 兼容 OpenAI 的音频 API · MCP 服务器。
Storage: Voices, projects, settings, and outputs stay on the machine by default. 存储： 声音、项目、设置和输出默认保存在本地机器上。
License: AGPL-3.0 application; downloaded models keep their upstream terms. 许可证： AGPL-3.0 应用程序；下载的模型保留其上游条款。
Install
安装
Download a package from the latest release, then follow the platform guide. 从最新版本下载安装包，然后按照平台指南进行操作。
| Platform | Package | Guide |
|---|---|---|
| macOS 13.3+ | Apple Silicon DMG | Install on macOS |
| Windows 10/11 x64 | MSI; choose the current-user build when listed to install without admin access | Install on Windows |
| Linux | AppImage, x86_64 with glibc 2.39+ | Install on Linux |
| Docker | CUDA, ROCm, CPU, and worker-only GPU profiles | Run with Docker |
First launch creates a managed Python environment and downloads the default model. Later launches reuse both. 首次启动会创建一个托管的 Python 环境并下载默认模型。后续启动将复用这两者。
Note: On macOS, first launch needs a one-time right-click, then Open approval. Intel Macs cannot run the local Python backend; use a remote backend instead. 注意： 在 macOS 上，首次启动需要右键点击并选择“打开”进行一次性授权。Intel 芯片的 Mac 无法运行本地 Python 后端；请改用远程后端。
First voice
首次声音克隆
Launch VoiceStudio and open Voice Cloning. Add a clean voice sample. Three seconds works; 5 to 15 seconds usually gives a better prompt. Enter text, choose a language, then select Generate. 启动 VoiceStudio 并打开“声音克隆”（Voice Cloning）。添加一段清晰的语音样本。3 秒即可生效；5 到 15 秒通常能提供更好的提示效果。输入文本，选择语言，然后点击“生成”（Generate）。
Features
功能特性
- Voice Cloning: Zero-shot synthesis from a short reference clip. 声音克隆： 通过短参考片段进行零样本合成。
- Voice Design: Create a voice from age, accent, pitch, style, and delivery instructions. 声音设计： 根据年龄、口音、音高、风格和表达指令创建声音。
- Video Dubbing: Transcribe, translate, preserve speakers, synthesize, and export video. 视频配音： 转录、翻译、保留说话人特征、合成并导出视频。
- Stories and audiobooks: Multi-voice scripts · EPUB/PDF import · chapter rendering · .m4b export. 故事与有声读物： 多人脚本 · EPUB/PDF 导入 · 章节渲染 · .m4b 导出。
- Dictation Widget: System-wide shortcut, live transcription, optional local-LLM cleanup. 听写小部件： 系统级快捷键、实时转录、可选的本地 LLM 清理。
- Vocal Isolation: Demucs speech/background separation. 人声分离： 使用 Demucs 进行语音/背景分离。
- Speaker Diarization: Pyannote and WhisperX speaker assignment. 说话人日志： 使用 Pyannote 和 WhisperX 进行说话人分配。
- Batch Queue: Queue large sets of audio and video jobs with per-job progress. 批量队列： 对大量音频和视频任务进行排队，并显示每个任务的进度。
- Model Catalogue: Install, remove, select, and route TTS, ASR, and LLM models. 模型目录： 安装、移除、选择和路由 TTS、ASR 和 LLM 模型。
Comparison
对比
VoiceStudio trades managed cloud compute for local control. VoiceStudio 用托管的云端计算换取了本地控制权。
| Feature | VoiceStudio | Typical hosted voice service |
|---|---|---|
| Best fit | Private, offline, self-hosted, or high-volume work | Fast setup without local model management |
| Data path | Local by default; remote features are opt-in | Audio and text are processed by the provider |
| Cost model | Free software; you supply the hardware | Subscription, credits, or metered API use |
| Setup | Install the app and model weights | Create an account and use the web app or API |
| Performance | Depends on your engine and hardware | Provider manages compute and scaling |
| Offline use | Yes, after required models are installed | Usually requires a network connection |
| Customization | Source, engines, models, API, and routing are open | Limited to provider options |
| Maintenance | You manage updates, disk, and compute | Provider manages infrastructure |
| 特性 | VoiceStudio | 典型的托管语音服务 |
|---|---|---|
| 适用场景 | 私密、离线、自托管或高负载工作 | 无需本地模型管理的快速设置 |
| 数据路径 | 默认本地；远程功能需手动开启 | 音频和文本由服务商处理 |
| 成本模式 | 免费软件；您提供硬件 | 订阅、点数或按量计费 API |
| 设置 | 安装应用和模型权重 | 创建账户并使用 Web 应用或 API |
| 性能 | 取决于您的引擎和硬件 | 服务商管理计算和扩展 |
| 离线使用 | 是，在安装所需模型后 | 通常需要网络连接 |
| 自定义 | 源码、引擎、模型、API 和路由均开放 | 仅限于服务商提供的选项 |
| 维护 | 您管理更新、磁盘和计算 | 服务商管理基础设施 |