做教程、短视频、游戏实况或产品演示时，旁白往往比画面更费时间：找配音员、改稿、对时间轴，每一版脚本都要重来。VoiceStudio 把克隆、合成、转写和按时间轴的视频配音收进一个 Electron 桌面应用：默认走本机推理，不强制注册账号，也不把音频默认上传到云端。项目采用 AGPL-3.0，官网与文档在 voicestudio.sh；下文功能与安装路径以仓库 main 分支文档为准。
它和 ElevenLabs 一类托管 API 的差别在于算力在你机器上。克隆参考音频、导出 WAV、批量任务都落在本地磁盘；远程服务与用量统计需要你自己点同意才会开。若你已经在 Mac 上验收过其它语音模型，可先对照 Qwen3-TTS Mac 环境验收 的思路：先看内存与首次下载，再谈成片。
VoiceStudio 能干什么
官方 README 把能力分成三块：创作（克隆或设计音色）、制作（带时间轴的配音、有声书、批量任务）、连接（本地 API、MCP、监视文件夹与配方）。常见场景包括：
- 声音克隆：上传几秒干净人声，生成可复用的「声音档案」，再对任意文稿朗读。
- 声音设计：不录参考音，用参数或描述生成新音色（具体控件随版本迭代，以应用内 Voice Design 为准）。
- 视频配音：导入视频或音轨，按句或按轴生成对白，再导出混音或替换音轨。
- 听写与转写：浮动听写组件、whisper.cpp 等 ASR 引擎可在 Model Catalogue 里选配。
- 有声书 / 批量：长文本分段合成，适合课程、播客草稿。
Model Manager 里还能换引擎：OmniVoice 是默认；低显存或纯 CPU 机器可改选 KittenTTS、Supertonic 等轻量方案（Windows 文档里的 CPU 预设即为此类组合）。换引擎会改变音质、语言和克隆能力，不要假设「一个档案通吃所有引擎」。
AGPL-3.0 对修改后通过网络提供服务有传染性要求。个人本地使用、内部离线制作通常问题较少；若你要把 VoiceStudio 嵌进 SaaS 对外售卖，需要法务评估源码提供义务。本文不构成法律意见。
默认引擎 OmniVoice 与硬件预期
OmniVoice（k2-fsa/OmniVoice）负责默认 TTS 与克隆：零样本、600+ 语言文档口径、输出 24 kHz 单声道。首次使用会懒加载权重，与配音、听写共用同一份模型，不会重复占两份显存。
- GPU：文档建议 dedicated GPU 约 6 GB VRAM 起；4 GB 卡可能极慢或被 UI 警告。Apple Silicon 走 MPS，统一内存不计入「独立显存」规则。
- CPU：可跑，但长句克隆与整段视频配音会明显变慢；无 NVIDIA 时 Windows 安装器会拉 CPU 版 PyTorch，体积更小。
- 参考音频：3～10 秒、少背景噪声、单人声；有参考文本时 conditioning 更稳。若档案里没有文本，应用可调用已安装的 ASR 自动转写并保存。
macOS 安装与首次启动
macOS 版是 Electron 应用；旧版 Tauri 已弃用。安装包与 nightly 渠道以 docs/install/macos.md 为准。要点：
- 从 GitHub Releases 或官网下载对应 Apple Silicon 安装包，拖到「应用程序」。
- 首次打开若被 Gatekeeper 拦截，在「系统设置 → 隐私与安全性」里允许该开发者应用。
- 首次合成或克隆会触发模型下载，磁盘与网络要留足空间；进度在 Model Catalogue / 下载文档可查。
- Intel Mac 仅支持 UI，本地推理后端不在支持列表内；需要完整功能请使用 Apple Silicon 或 Windows/Linux 工作站。
若你习惯命令行，仓库还提供 Local API 与 MCP，供 Agent 调用合成；桌面用户可以先忽略，把界面跑通再接入自动化。
几步完成第一次声音克隆
下面是一条最小路径，名称随界面语言可能略有不同：
- 打开 Voice Cloning（或「声音克隆」）工作区。
- 新建声音档案，上传 3～10 秒 WAV/MP3 参考音；如有逐字稿，填入「参考文本」。
- 在文本框输入要朗读的句子，选 OmniVoice（默认即可），点生成。
- 试听 24 kHz 输出；满意则保存档案，供配音与批量任务复用。
参考音不要带音乐、混响或多人对话。手机录音可以，但最好贴麦、关风扇。克隆≠法律授权：仅对你有权使用的声音做克隆；模仿公众人物或他人嗓音可能涉及肖像权与平台条款。
视频配音工作区在做什么
视频配音（Dubbing）工作区解决的是时间问题：导入 MP4 或音轨后，你可以按句切分、为每个角色指定声音档案，再生成对齐的对白。官方文档有「多角色配音」「导出混音」等分步指南（docs/ 下 Dub 相关章节）。实操建议：
- 先粗剪视频，再进 VoiceStudio，避免反复改时间轴。
- 每个角色一个档案；旁白与对白分开，后期混音更轻松。
- 导出前整段试听：24 kHz 单声道进 Premiere、Final Cut 或 DaVinci 前，如需 48 kHz 可在 DAW 里升采样。
若你的片源主要在 Mac 上剪，但 GPU 在另一台机器，可以把 VoiceStudio 装在常开的 Apple Silicon Mac 上批量渲染，笔记本只做剪辑——这与把编译放到 Cloud Mac 是同一类思路，见下一节。
听写、转写、API 与 Agent
除配音外，VoiceStudio 还提供：
- Dictation：系统级浮动听写，适合快速记稿。
- Transcription：配合 whisper.cpp 或其它 ASR 模型，把现有音频转文本，再送进 TTS。
- Local API / MCP：本机 HTTP 与 MCP 服务，方便 Cursor、OpenClaw 等 Agent 触发合成；Skills 可通过
npx skills add debpalash/VoiceStudio安装（见 README）。 - Recipes & watch folders：把「输入目录 → 合成 → 输出格式」做成配方，适合播客批量片头。
远程模式与 OIDC 登录属于进阶能力；默认个人使用不必打开公网端口。
Apple Silicon 与 Cloud Mac 怎么配合
视频配音和克隆都是内存与 GPU 时间敏感任务。MacBook Air 可以试短句，整集旁白或 4K 项目的长批处理更适合放在 16 GB 及以上的 Apple Silicon 上持续跑。Vuncloud Cloud Mac 提供独享 M 系列节点与 SSH/VNC：你可以把 VoiceStudio 装在云端 Mac，本地 Windows 或 Linux 剪辑机通过远程桌面或同步盘取回 WAV，避免笔记本风扇全程拉满。
这与 本机 AI Gateway 不冲突：Agent 写稿走 OmniRoute，成片旁白在 VoiceStudio 渲染，密钥与模型权重仍留在你的 Mac 磁盘上。
FAQ
常见短答：软件开源免费，模型算力自备；默认不上传音频；Intel Mac 不能跑本地后端；克隆参考 3～10 秒；视频配音用 Dubbing 工作区按轴导出。完整问答见页头 FAQ 结构化数据。