> diffnotes · 15 Jul 2026 · 6 мин

Voicebox — локальная замена ElevenLabs и WisprFlow в одном приложении: клон голоса, 7 TTS-движков и диктовка, всё на твоей машине

В тот же день, когда Grok Build ловят на фейковом «local-first», приятно показать инструмент, где local-first — это не слоган. Voicebox клонирует голос, озвучивает текст на 23 языках, диктует в любое поле и даёт голос твоему AI-агенту — и всё это крутится на твоей машине, ничего не улетает. 41 тысяча звёзд, MIT, замена ElevenLabs и WisprFlow в одном приложении.

TL;DR: Voicebox — локальная open-source голосовая студия: клон голоса из пары секунд аудио, 7 TTS-движков, 23 языка, диктовка в любое текстовое поле по хоткею и голос для любого MCP-агента. Всё локально — модели, аудио и записи не покидают машину. Собран на Tauri (Rust), не Electron. Замена ElevenLabs (выход) и WisprFlow (вход) сразу. Подвох: под Linux готовых бинарников пока нет, а эмоциональные теги понимает только один движок из семи.

Что такое Voicebox

Voicebox — это полный голосовой стек ввода-вывода, который работает локально: он и синтезирует речь, и распознаёт твою диктовку, в одном приложении. Два облачных гиганта поделили петлю пополам — ElevenLabs держит выход (синтез), WisprFlow вход (диктовку). Voicebox делает и то, и другое, склеивает их встроенной локальной LLM для доработки текста и персон, и гоняет всё на твоём железе.

Что это даёт на практике: клонируешь голос из нескольких секунд аудио, генеришь речь на 23 языках, диктуешь в любое поле по глобальному хоткею и выдаёшь голос любому MCP-совместимому агенту. Полная приватность здесь не абстракция — модели, голосовые данные и захваты физически не уходят с машины. Для тех, кто собирал свободные TTS-модели вручную, Voicebox — это готовая коробка, которая упаковала их все под один UI.

Какие движки внутри

Семь TTS-движков, переключаемых прямо перед генерацией, и у каждого своя сильная сторона. Не «одна модель на всё», а набор под конкретную задачу — от мгновенного CPU-синтеза до широкого многоязычия.

Расклад коротко:

Qwen3-TTS (0.6B / 1.7B) — 10 языков, качественный многоязычный клон, понимает инструкции доставки вроде «speak slowly», «whisper».
Qwen CustomVoice — 10 языков, 9 готовых пресет-голосов без референс-аудио, с управлением подачей на естественном языке.
LuxTTS — только английский, зато лёгкий (~1 ГБ VRAM), 48 кГц и 150× реального времени на CPU.
Chatterbox Multilingual — 23 языка, самое широкое покрытие: арабский, датский, финский, греческий, иврит, хинди, польский, суахили, шведский, турецкий и другие.
Chatterbox Turbo — английский, быстрая 350M-модель, единственная понимает паралингвистические теги.
TADA (1B / 3B) — модель HumeAI, до 700+ секунд связного аудио с двойным text-acoustic выравниванием.
Kokoro — 8 языков, 50 пресет-голосов, крошечные 82M и быстрый инференс на CPU.

Эмоции — отдельная фишка, но с нюансом (см. подводные камни). С выбранным Chatterbox Turbo набираешь / в поле ввода и вставляешь теги прямо в речь: [laugh], [chuckle], [gasp], [cough], [sigh], [groan], [shush], [clear throat]. Плюс 8 пост-эффектов через библиотеку pedalboard от Spotify — тот же pitch shift на ±12 полутонов с превью в реальном времени.

Как поставить и озвучить агента

Ставится как обычное десктоп-приложение под свою платформу; API и MCP-сервер идут из коробки. Скачиваешь бинарник:

macOS (Apple Silicon / Intel) — DMG с voicebox.sh
Windows — MSI
Docker — docker compose up

Voicebox «runs everywhere»: macOS (MLX/Metal), Windows (CUDA), Linux, AMD ROCm, Intel Arc, Docker. Самое интересное для разработчика — API-first: REST плюс встроенный MCP-сервер. Ты навешиваешь на голосовой профиль свободную персону, а дальше вызываешь режимы Compose, Rewrite или Respond через локальную LLM — и те же режимы твой AI-агент может дёргать по MCP. То есть Claude Code или любой MCP-клиент получает не робо-голос по умолчанию, а голос, который ты сам склонировал и владеешь им.

Подводные камни

Под Linux готовых бинарников нет. На дату релиза скачиваемые сборки есть под macOS, Windows и Docker, а Linux — только сборка из исходников по инструкции с voicebox.sh/linux-install. Если у тебя голая Ubuntu без желания собирать — это трение.
Эмоциональные теги понимает только Chatterbox Turbo. Остальные шесть движков читают [laugh] и [sigh] буквально, как текст. Выбрал не тот движок — и в озвучке прозвучит слово «laugh» вместо смеха. Легко наступить.
Боль бандлинга реальна. Целый релиз v0.2.3 ушёл на починку упаковки: движки, которые работали в dev, падали в продакшен-сборках через PyInstaller. Свежие движки могут собираться нестабильно — если что-то не стартует, первым делом смотри troubleshooting по моделям и GPU.
VRAM и вес моделей. Движки разные: LuxTTS влезает в ~1 ГБ VRAM, а мультиязычные и крупные (TADA 3B) требуют больше и качают модели при первом запуске. На слабой видеокарте выбор движка — это не про качество, а про то, запустится ли вообще.
Клонирование голоса — этическая мина. В репозитории не зря лежат RESPONSIBLE_USE.md и SECURITY.md: клон чужого голоса из пары секунд аудио — это ровно то, чем пользуются мошенники. Инструмент мощный, ответственность на тебе.

Альтернативы

ElevenLabs — облачный эталон качества синтеза, но платный и данные уходят на их серверы. Voicebox берёт ту же половину петли (выход) локально и бесплатно, ценой того, что качество зависит от твоего железа и выбранного движка.
WisprFlow — облачная диктовка (вход) с отличным распознаванием. Voicebox делает диктовку локально по хоткею — приватнее, но без облачной магии дообучения под твою речь.
Kokoro сам по себе — можно запустить отдельно как TTS, но это только синтез: ни клона, ни диктовки, ни MCP, ни персон. Voicebox упаковывает Kokoro как один из семи движков и достраивает вокруг него весь стек.

Вердикт

Ставь Voicebox, если хочешь и синтез, и диктовку локально, без подписки и без утечки голоса в облако — на macOS или Windows он ставится одним бинарником и закрывает обе половины сразу. Для приватных сценариев (озвучка на своём голосе, диктовка рабочих заметок, голос для локального агента) это прямая замена связке ElevenLabs + WisprFlow. Не жди пока чуда качества уровня облачного ElevenLabs на слабой видеокарте — выбирай движок под своё железо. А если ты на Linux и не готов собирать из исходников — подожди готовых бинарников, сейчас это единственный болезненный путь.

Как попробовать

Скачай бинарник под свою ОС с voicebox.sh (macOS/Windows) или подними через docker compose up.
Начни с лёгкого движка — Kokoro или LuxTTS быстро стартуют на CPU, чтобы проверить, что всё работает, без качания тяжёлых моделей.
Склонируй голос из нескольких секунд чистого аудио и сгенерируй пробную фразу.
Включи диктовку по глобальному хоткею и продиктуй текст в любое поле.
Подключи к агенту через встроенный MCP-сервер — репозиторий и документация на github.com/jamiepine/voicebox и docs.voicebox.sh.