想给视频配个音、把自己的声音克隆出来读稿子，又不想每个月给 ElevenLabs 交钱、也不想把声音传到别人的服务器上？我最近在看的 VoiceStudio，就是冲着这个来的。
本文介绍 VoiceStudio 能做什么、电脑配置要求、Windows / Mac 怎么装，以及我觉得需要注意的地方。资料于 2026 年 10 月 12 日查阅 GitHub 仓库、README 和官方安装文档。
【配图位置：VoiceStudio 主界面截图（声音克隆工作区）】
VoiceStudio 是什么
VoiceStudio 是作者 debpalash 在 GitHub 上开源的桌面应用，协议是 AGPL-3.0，免费使用。写这篇文章时仓库大约 5.97 万颗星，最新正式版是 2026 年 9 月 23 日发布的 v0.5.6。
它的定位很直白：一个装在自己电脑上的语音工作室。README 的原话是“开源的声音克隆、声音设计、视频配音、语音听写、转录与有声书创作，支持 646 种语言”。默认的语音引擎叫 VoiceStudio，底层用的是 k2-fsa 的 OmniVoice，也可以换成 CosyVoice 3、IndexTTS 2.5、VoxCPM2、GPT-SoVITS、KittenTTS 等其他引擎。
很多人拿它当 ElevenLabs 的本地免费替代品。我觉得这个说法大方向没错，但效果能不能比，要看你选的引擎和自己的机器，后面会细说。
它能做什么
- 声音克隆：给一段干净的参考录音，输入文字，用这个声音读出来。
- 声音设计：不用录音，用文字描述想要的声音。
- 视频配音：自动提取音轨、分离人声、转写、翻译，再按时间轴生成配音。
- 语音听写：一个悬浮小窗，说话直接转文字。
- 转录：默认用 WhisperX，也能换 Faster-Whisper、FunASR、Parakeet 等。
- 有声书和批量任务：长文本、故事、批量队列、监听文件夹。
- 给开发者：自带本地 API 和 MCP 服务，可以让 Claude Code、Cursor 这类 AI 工具直接调用。
另外还有人声分离、说话人区分、AI 水印这些功能。
【配图位置：视频配音工作区截图】
电脑配置要求（重点）
这是我最关心的部分，把官方文档里写明的整理一下：
| 硬件 | 支持情况 |
|---|---|
| NVIDIA 显卡（Windows / Linux） | CUDA 加速 |
| Apple Silicon（M1 / M2 / M3 / M4） | Metal（MPS）加速 |
| 没有独立显卡（核显、老电脑） | 能用，走 CPU，速度慢；装的是小体积 CPU 版 PyTorch，约需 5 GB 空间 |
| Windows on ARM（骁龙 X 等） | 实验性，只能用 CPU |
| Intel 芯片的 Mac | 只有界面，本地后端跑不起来，要连远程后端 |
几个容易踩坑的点：
- 内存：安装向导会检查系统内存，最低 8 GB。官方文档提到 16 GB 的机器同时开一堆浏览器标签再配音，后端可能被系统杀掉。
- 硬盘：Windows 和 Linux 文档写的是预留约 10 GB，装软件、Python 环境和模型都在里面。
- 显存：README 没有给一个统一的显存门槛，官方说法是“不同引擎要求不同”。性能文档里提到 10 GB 及以下的显卡会一次只跑一个任务，16 GB 以上能并行三四个。我的理解是：有张 N 卡就能跑，显存越大越从容，具体看你选的引擎。
- AMD 显卡在 Windows 上不加速：Windows 上 PyTorch 加速只支持 NVIDIA，A 卡（包括锐龙核显）会退回 CPU。唯一的例外是 audio.cpp 引擎，有 Vulkan 版本能用 A 卡。
- CPU 跑会慢不少：官方说纯 CPU 大约比 Apple Silicon 慢一倍，和 N 卡比差距更大。没显卡的话，建议在模型目录里选轻量引擎（KittenTTS、Supertonic-3、PocketTTS）和小号 Whisper 模型。
需要 API Key 吗
基本不需要。 核心功能都在本地跑，README 写的是“远程服务是可选的，使用统计需要你同意才会开启”。
有两处会用到账号或 Key，但都是可选：
- Hugging Face Token：模型是从 Hugging Face 下载的，填一个免费 Token 下载更快、更少卡住，不填也能下。
- 视频配音的翻译：可以用本地的 NLLB 翻译模型，也可以接你自己的大模型 API（翻译质量可能更好）。
国内用户最担心的是模型下载。官方文档说，没有手动设置下载源时，它会同时测试 Hugging Face 官方和 hf-mirror.com 镜像，哪个能连就用哪个，也可以在“设置 → Models → Hugging Face mirror”里手动指定。
怎么安装
Windows
- 打开 GitHub Releases 页，下载
VoiceStudio-Electron-版本号-win-x64.exe（v0.5.6 大约 204 MB）。 - 双击安装，默认装在当前用户下，不需要管理员权限，可以自己选安装目录。
- 第一次打开时，它会自己下载 Python、FFmpeg 和模型，不用提前装开发环境。
也可以在普通（非管理员）PowerShell 里一行装：
irm https://voicestudio.sh/install | iex
C 盘紧张的话，安装时可以把软件装到别的盘，再在设置里把 Python 环境、数据和模型缓存都挪过去。
Mac
- M 系列芯片下载
mac-arm64.dmg，拖进“应用程序”。Intel Mac 别折腾，本地后端跑不了。 - 第一次打开如果提示“无法验证开发者”，在 Finder 里右键 VoiceStudio → 打开 → 再点打开。macOS 15 是去“系统设置 → 隐私与安全性”点“仍要打开”。
或者在终端里一行装：
curl -fsSL https://voicestudio.sh/install | sh
Linux
下载 .AppImage 或 .deb，或者用上面那条 curl 命令。官方也提供 Docker 部署文档。
【配图位置：模型管理界面截图（安装模型）】
第一次怎么用
- 打开“Voice cloning”（声音克隆）。
- 选一个自带的声音，或者添加一段自己干净的参考录音。
- 输入要读的文字，点生成。第一次会提示下载需要的模型，按提示装就行。
官方性能文档提了两个小技巧：第一次生成总是最慢的，因为要加载模型，判断速度看第二次；参考录音最好配上对应的文字稿，不然它每次都要先转写一遍。
优点
- 免费开源，核心功能都在本地，声音素材不用上传。
- 功能很全：克隆、配音、转录、听写、有声书放在一个软件里。
- 引擎多，可以按机器配置挑，没显卡也能用轻量引擎。
- Windows、Mac、Linux 都有安装包，Windows 不需要管理员权限。
- 有本地 API 和 MCP，能接进自己的自动化流程。
不足
- 第一次启动要下载 Python 环境和模型，几个 GB，网络不好会比较折腾。
- 没有 N 卡或 M 芯片的话，速度会慢很多。
- Intel Mac 基本用不了，Windows 上的 A 卡也加速不了。
- Mac 版暂时没有签名公证，第一次打开要手动放行。
- 引擎太多，新手可能不知道选哪个。
- 软件是 AGPL，但模型权重和生成内容的授权是分开的，商用前要逐个看模型的许可。
适合谁
- 做短视频、播客，想给内容配音又不想付订阅费的人。
- 想把外语视频配成中文（或反过来）的人。
- 写有声书、做课件旁白，需要长文本朗读的人。
- 在意隐私，不想把自己声音传到云端的人。
- 想把语音能力接进 AI Agent 或自动化脚本的开发者。
如果你只是偶尔转个文字、电脑也是老轻薄本，那可能在线工具更省事。
写在最后
最后提醒一句，README 里也专门写了：只克隆你获得授权的声音。拿别人的声音做内容，法律风险是你自己的。
总体来说，VoiceStudio 是我目前看到的本地语音工具里功能最完整的一个。手上有张 N 卡或者 M 芯片 Mac 的话，我觉得很值得装来试试。
