jamiepine/voicebox

これは何？

主な機能

• 01短い参照音声からの声のクローンに加え、KokoroとQwen CustomVoiceのプリセット音声を利用可能
• 02Whisperによる文字起こしと、任意で使えるLLMによる調整に対応したグローバルなプッシュ・トゥ・トーク音声入力
• 03生成ごとに切り替えられる8種類のTTSエンジン。Chatterbox Turboではパラ言語タグにも対応
• 04Pedalboardによる8種類のオーディオエフェクトと、再利用可能なプリセット
• 05自動分割とクロスフェードに対応した長尺音声の生成
• 06エージェント連携向けのREST APIと組み込みMCPサーバー

ユースケース

• コーディングエージェントにクローンした声を持たせ、タスクの完了や質問を読み上げさせる
• ホットキーを使って、デスクトップ上のあらゆるアプリにテキストを音声入力する
• クローンした声やプリセット音声を使って、記事、章、ポッドキャストのナレーションを制作する
• ローカルREST APIを通じて、自分のアプリに音声機能を組み込む

クイックスタート

1. 1

   Download セクションから macOS または Windows 用インストーラーをダウンロードします

2. 2

   または、プロジェクトフォルダーから Docker で実行します

   docker compose up

使う前に知っておきたいこと

• !Linux 用のビルド済みバイナリはまだ提供されていないため、Linux ユーザーはソースからビルドする必要があります。
• !フォーカス中のテキストフィールドへの自動貼り付けは macOS のみ対応しています。
• ![laugh] などのパラ言語タグを解釈するのは Chatterbox Turbo のみです。他のエンジンでは文字どおりのテキストとして読み上げられます。

トピック

よくある質問

voicebox とは？

音声クローン、音声生成、あらゆるアプリへの音声入力、AIエージェントの音声化に対応するローカルファーストのオープンソースAI音声スタジオ。 Voiceboxは、自分のマシン上で動作するデスクトップ音声スタジオです。短い音声サンプルから声をクローンし、23言語に対応した8種類のTTSエンジンで音声を生成し、Whisperで音声を文字起こしできます。グローバルホットキーを使えば、フォーカス中のテキストフィールドに音声入力でき、貼り付け前にローカルLLMでテキストを整えることもできます。

voicebox は無料で使えますか？ライセンスは？

voicebox は MIT ライセンスのオープンソースです。商用製品で使う前にライセンス条件を確認してください。

voicebox は今もメンテナンスされていますか？

活発にメンテナンス中。voicebox の最終コミットは 2026年10月7日 です。

voicebox は何に使えますか？

コーディングエージェントにクローンした声を持たせ、タスクの完了や質問を読み上げさせる ホットキーを使って、デスクトップ上のあらゆるアプリにテキストを音声入力する クローンした声やプリセット音声を使って、記事、章、ポッドキャストのナレーションを制作する ローカルREST APIを通じて、自分のアプリに音声機能を組み込む

voicebox のインストール方法は？

Download セクションから macOS または Windows 用インストーラーをダウンロードします または、プロジェクトフォルダーから Docker で実行します: docker compose up

voicebox はどこで入手できますか？

ソースコードとインストール手順は GitHub にあります：https://github.com/jamiepine/voicebox