VoiceStudio：本地语音工作台怎么用

它解决什么问题

做视频要配音、自己写的东西要转成有声书、或者需要把一段音频转成文字——这些活以前要么上云端（有隐私和费用问题），要么拼一堆脚本。VoiceStudio 把它们放进一个 Electron 桌面应用，本地跑模型。

四个工作区：

• 声音克隆：选一个已有声音，或上传一段清晰的参考录音
• 视频配音：生成时间轴对齐的音轨
• 声音设计：用文字描述你想要的声音
• 本地模型：安装和管理语音模型

最小可用路径

打开应用，进声音克隆工作区，选一个内置演示声音，或者加一段自己的参考录音。输入文字，点生成。应用会提示你安装所需模型——第一次必须等下载完。

就这样，一次完整的合成就跑通了。

安装

macOS 与 Linux 一键安装：

sh# 最新版本
curl -fsSL https://voicestudio.sh/install | sh

# 指定已发布版本（替换 X.Y.Z）
curl -fsSL https://voicestudio.sh/install | sh -s -- --version X.Y.Z

# 构建当前 main 分支并安装
curl -fsSL https://voicestudio.sh/install | sh -s -- --main

# 卸载（保留你的数据）
curl -fsSL https://voicestudio.sh/install | sh -s -- --uninstall

Windows 用 PowerShell：

powershellirm https://voicestudio.sh/install | iex

也可以直接去 Releases 拿现成包：macOS 是 .dmg，Windows 是 .exe，Linux 是 .AppImage 或 .deb。

想先看看界面而不装，可以看 官网演示（在新标签页打开） 上的 GIF。

让编码智能体帮你装

官方提供了一条提示词，粘给 Claude Code、Codex、Cursor 这类工具即可：

textInstall the VoiceStudio Electron app on this device and verify it works, following
https://github.com/debpalash/VoiceStudio/blob/main/docs/install/agent.md

这份智能体安装指南覆盖硬件检测、复用已有数据、下载模型前先征得同意，以及跑一次测试生成。支持技能的智能体也可以直接跑 npx skills add debpalash/VoiceStudio。

硬件：先看这两个硬事实

一、Windows 上只有 NVIDIA 能加速。 官方原话：PyTorch GPU acceleration on Windows is NVIDIA/CUDA-only。AMD 和 Intel 显卡在 Windows 上跑 PyTorch 引擎仍然走 CPU——功能正常，只是慢很多倍。例外是 audio.cpp，它可以通过 Vulkan 用上 Radeon。

二、显存决定并行度。 官方建议 16GB 以上显存可以并行 3-4 路生成；10GB 以下的卡被刻意限制为单路。这个限制是自动的（按每 5GB 显存一个 worker，上限 4），别手动调高。

三、参考录音的长度。 Voice Clone 接受最长 75 秒的录音，推荐 5-15 秒干净语音。不同引擎取用方式不同：默认的 OmniVoice 取前 20 秒里语音最多的片段并自动转写；VoxCPM2 取去静音后的前 30 秒；其余引擎是整段传入、长度未验证。

所以如果你的转写文本和引擎实际取用的片段对不上，生成会被拒绝（[clone_ref_too_long]）。最省事的做法是不带转写文本。

引擎：两套池子，别混

生成（TTS）侧 16 个引擎，转录（ASR）侧 9 个，它们是独立的：

有些引擎自带限制要留意：MLX-Audio 只在 Apple Silicon 上跑；MOSS-TTS-v1.5 是 8B 模型，很重；dots.tts 和 PocketTTS 不支持 Windows 或 Intel Mac。

在 模型目录（Model Catalogue）里选引擎，或者按 Ctrl/Cmd+E 快速切换。想固定某个引擎可以设 OMNIVOICE_TTS_BACKEND / OMNIVOICE_ASR_BACKEND。

遇到「变慢了」怎么查

性能指南开篇列的五类原因，按顺序排查：

1. 声音档案的 Transcript 字段是空的。 克隆需要参考录音的转写文本，空的会让应用跑一次完整 Whisper 转写。v0.3.15 之前每次生成都会重跑一遍（就是那个「更新后 TTS 变慢、CPU 跑满」的回归问题）。修法：打开声音编辑器看 Transcript 框，空就填上内容。
2. 重启后第一次生成总是最慢。 权重懒加载约 8 秒，CUDA 要编译内核。从第二次开始计时。
3. 内存压力。 16GB 统一内存的机器上，旁边开 40 个标签页的浏览器就够把模型挤出内存。设置 → Performance 能看空闲内存，也有不重启释放模型的 Flush 操作。
4. 你以为在用显卡，其实在 CPU 上。 三个地方会告诉你真相：设置 → Performance → Device & compute 里的实时设备名、设置 → About → Run self-check、以及模型目录里每个引擎的路由徽章（GPU active / CPU fallback / CPU，悬停能看到原因）。
5. 之前取消过一次配音。 配音会把 TTS 模型临时挪到 CPU 给 ASR 腾显存，完成后再挪回来。v0.3.23 之前这条回迁只在完全成功时执行，中途取消或报错就会把 TTS 模型留在 CPU 上，之后每次生成都慢 10-50 倍。v0.3.23 修了。

接入你的智能体

它提供本地 API 和 MCP 接口，可以把配音流程接进自动化。配置看官方文档的 Local API 与 MCP 两页。

心里有数的限制

• 模型要先下载，磁盘吃得下。 纯 CPU 路线 PyTorch 本体就约 5GB，模型另算。
• AGPL-3.0。 应用是开源的，模型各有各的条款——商用前挨个确认。克隆别人的声音必须先拿到对方许可。
• 只做本地。 远程 worker 是可选功能，使用情况分析要同意才启用。
• 0.5.3 是最后一个 Tauri 版本。 现在的桌面应用和 Web UI 全部是 Electron，Tauri 时代的用户需要单独迁移。

想读原文，中文 README 在仓库根目录，引擎与硬件细节在 docs/engines 和 docs/performance。