VoiceStudio 本地 AI 配音:免费开源,配音和转录接单省在哪
VoiceStudio 是免费开源的本地 AI 配音和转写软件,约 8GB 内存可用,模型装好后可离线。它省下了按字数、按分钟的云端费用,但声音克隆要本人书面同意、合成音频要按 2025 年标识办法加提示,这些仍要接单的人负责。
VoiceStudio 是一款开源的本地语音软件,能做声音克隆、视频配音、听写和录音转文字,桌面版按 AGPL-3.0 协议免费使用,另有收费的闭源 Pro 版。VoiceStudio 官网写明大约 8GB 内存就能起步,有独立显卡会更快,没有独显也能用 CPU 跑,只是慢一些。对接配音、有声书和会议转录单的人来说,它把按字数、按分钟付给云端服务的钱省了下来,客户录音也可以留在自己电脑上处理;但谁的声音能用、成品怎么标识、文字准不准,这些仍然要人来负责。
它是什么,能核对到的有哪些
项目仓库在 GitHub 的 debpalash/VoiceStudio,README 写的是声音克隆、声音设计、视频配音、听写、转写和有声书制作,覆盖 646 种语言。默认语音引擎基于 k2-fsa 的 OmniVoice,这个模型的说明文档提到中文和英文有专门的文本规整处理,还能生成四川话、陕西话等方言口音;同时也说明,声音设计功能只用中英文数据训练过。转写部分在仓库文档里用的是 Faster-Whisper。
硬件方面,README 列了几种情况:NVIDIA 显卡在 Windows、Linux 上走 CUDA 加速,苹果芯片走 Metal 加速,没有独显的电脑可以纯 CPU 运行,需要大约 5GB 空闲磁盘装 CPU 版 PyTorch;Windows on ARM 还在试验阶段,Intel 芯片的 Mac 只能装界面,需要连接别处的后端。不同引擎的要求不一样,长篇有声书和多人视频配音对机器的压力会明显大于短句听写。
离线这一点,README 的原话是本地流程在你自己的硬件上运行,远程服务是可选的,使用统计要用户同意才会开启。官网的说法是:没有账号,也不走云端,只有在检查更新或下载模型时才联网。所以第一次下载模型需要网络,模型装好之后的克隆、合成和转写可以断网完成。视频配音里的翻译环节可以接外部大模型服务,接不接、接哪家,决定了这一步还算不算本地。
它还在本机开了一个接口,地址是 localhost:3900,按 OpenAI 的格式提供文字转语音和语音转文字,也支持 MCP,Agent 可以直接调用。Docker 版的说明特别提醒,软件本身没有登录验证,谁能访问到这个地址谁就能用,放到局域网以外之前要自己加一层鉴权。
| 项目 | 情况 |
|---|---|
| 价格 | 开源版免费;Pro 版每年 99 美元或一次性 299 美元 |
| 最低配置 | 约 8GB 内存,没有独立显卡也能用 CPU 跑 |
| 能否离线 | 模型下载好后可以断网使用,检查更新和下载模型时需要联网 |
| 中文支持 | 支持中文,也支持四川话、陕西话等方言口音 |
接单时,哪些成本降下来了
配音和有声内容最直接的变化,是生成一段试音不再按字数计费。以前用云端服务做长篇有声书,字数一多,额度费用就要算进报价;现在机器开着就能反复重来,改稿、换语气、调停顿的边际成本主要是电费和时间。视频配音这块,软件把转写、翻译、重新配音串在一起,还会区分不同说话人、对齐原视频的时间,原本要在几个工具之间导来导去的步骤少了很多。
会议和采访转录单的变化在另一头。客户最担心的往往不是价格,而是录音交出去以后去了哪里。整个转写放在自己电脑上完成,不经过第三方服务器,这一点可以在报价时直接讲清楚,对律所、医疗、企业内部会议这类客户尤其有分量。
软件本身的价格:开源版免费,官网列出的 Pro 版是每年 99 美元或一次性 299 美元。
哪些事仍然要靠人把关
第一是授权。AGPL-3.0 管的是软件本身,README 专门写了,模型权重、分词器、音色和生成内容的使用条件是另外一回事,买了付费版也不代表拿到了这些权利。拿去做商业交付之前,要把所用模型的许可条款看一遍。
第二是声音本人的同意。《中华人民共和国民法典》(全国人大,2020 年通过)第一千零二十三条规定,对自然人声音的保护参照适用肖像权保护的有关规定,而第一千零一十九条写明,未经肖像权人同意,不得制作、使用、公开其肖像。国家互联网信息办公室、工业和信息化部、公安部 2022 年联合发布的《互联网信息服务深度合成管理规定》,第十四条要求提供人声等生物识别信息编辑功能的,应当提示使用者依法告知被编辑的个人,并取得其单独同意。VoiceStudio 官网也写了,只能在声音主人同意的情况下克隆。接克隆单时,同意书最好是书面的,写清楚用在哪里、用多久。客户口头转述的同意不能当作授权。
第三是标识。同一份深度合成管理规定的第十七条,把合成人声、仿声列为需要显著标识的情形。国家互联网信息办公室、工业和信息化部、公安部、国家广播电视总局 2025 年联合发布的《人工智能生成合成内容标识办法》自 2025 年 9 月 1 日起施行,第四条要求在音频的起始、末尾或中间适当位置加语音提示或音频节奏提示,第十条要求用户发布生成合成内容时主动声明并使用平台提供的标识功能,也不得恶意删除标识。交付配音和有声书时,标识怎么加、由谁在发布时声明,应该在合同里和客户说定。
第四是转录的准确度和录音里的个人信息。人名、术语、口音重的段落,机器转写难免出错,交付前要有人对着录音校一遍。录音里的声纹、身份和健康等内容可能属于敏感个人信息,《中华人民共和国个人信息保护法》(全国人大常委会,2021 年通过)第二十八条、第二十九条规定,处理生物识别等敏感个人信息要有特定目的和充分必要性,并取得个人的单独同意。本地处理减少了录音外流的环节,但录音文件怎么存、交付后删不删,仍然是接单的人自己要管的事。
VoiceStudio 把配音和转录的门槛压到了一台普通电脑上,真正拉开差距的,会是谁能把授权、标识和校对做得让客户放心。
延伸阅读:
站内还介绍过一个跑在 Grok Bot 上的 AI 求职助手:JobPilot,能给岗位打分、按岗位改简历和求职信。