voicebox

# voicebox — Open-Source AI Voice Studio Voicebox (52K⭐ verificado 2026-09-05) es un estudio de voz AI local-first, gratuito y open-source (MIT), alternativo a ElevenLabs + WisprFlow combinados. ## Filosofía - **Privacidad total**: modelos, datos de voz y capturas nunca salen de tu máquina - **Stack completo de voz I/O**: clonación, generación TTS, dictado global, transcripción STT, agentes con voz - **Nativo**: construido con Tauri (Rust), no Electron - **Multi-plataforma**: macOS (Apple Silicon con MLX/Metal), Windows (CUDA), Linux (AMD ROCm, Intel Arc, CPU), Docker ## Instalación ```bash # Descarga directa # macOS ARM: https://voicebox.sh/download/mac-arm # macOS Intel: https://voicebox.sh/download/mac-intel # Windows: https://voicebox.sh/download/windows # Docker: docker compose up # Desde fuente (desarrollo) git clone https://github.com/jamiepine/voicebox.git cd voicebox just setup # crea venv, instala deps Python + JS just dev # inicia backend + app desktop ``` ## 7 Motores TTS | Motor | Modelos | Clonación | Idiomas | Tamaño | Características | |-------|---------|-----------|---------|--------|----------------| | **Qwen3-TTS** | 0.6B / 1.7B | Sí (zero-shot 10s) | 10 (es incluido) | 1.2-3.5 GB | Mayor calidad, cloning de voz | | **Qwen CustomVoice** | 0.6B / 1.7B | Preset speakers | 10 | 1.2-3.5 GB | **Instruct support** (control de delivery) | | **LuxTTS** | luxtts | Sí (zero-shot 3s) | Inglés | ~300 MB | CPU-friendly, 48kHz, 150x realtime en CPU | | **Chatterbox Multilingual** | chatterbox-tts | Sí (zero-shot 5s) | **23 idiomas** | ~3.2 GB | Mayor cobertura lingüística | | **Chatterbox Turbo** | chatterbox-turbo | Sí (zero-shot 5s) | Inglés | ~1.5 GB | **Paralinguistic tags** ([laugh], [sigh]), baja latencia | | **HumeAI TADA** | 1B / 3B Multilingual | Sí (zero-shot) | EN (1B), 10 (3B) | 4-8 GB | Modelo speech-language, audio 700s+ | | **Kokoro** | 82M | Preset (50+ voces) | 8 (es incluido) | **350 MB** | CPU realtime, Apache 2.0 | ## REST API (localhost:17493) ```bash # Generar speech curl -X POST http://127.0.0.1:17493/generate \ -H "Content-Type: application/json" \ -d '{"text": "Hola mundo", "profile_id": "abc123", "language": "es"}' # Agent voice output — cualquier app puede hablar en voz clonada curl -X POST http://127.0.0.1:17493/speak \ -H "X-Voicebox-Client-Id: my-script" \ -d '{"text": "Deploy complete.", "profile": "Morgan"}' # Transcribir audio curl -X POST http://127.0.0.1:17493/transcribe \ -F "audio=@recording.wav" \ -F "model=whisper-turbo" ``` ## MCP Server 4 herramientas: `voicebox.speak`, `voicebox.transcribe`, `voicebox.list_captures`, `voicebox.list_profiles` ```bash claude mcp add voicebox \ --transport http \ --url http://127.0.0.1:17493/mcp \ --header "X-Voicebox-Client-Id: claude-code" ``` ## Post-Processing Effects (8 efectos) Pitch Shift, Reverb, Delay, Chorus/Flanger, Compressor, Gain, High-Pass Filter, Low-Pass Filter ## Casos de Uso para Mastermind 1. **TTS local** — alternativa a edge-cloud sin límites de API 2. **Voces personalizadas** — clonación de voz para agentes 3. **Integración MCP** — agentes AI hablan con voces clonadas 4. **Dictado global** — hotkey para dictar en cualquier app 5. **CI/CD voice notifications** — notificaciones por voz desde shell scripts 6. **Producción de contenido** — generación masiva de speech ## Stack Tecnológico - Desktop App: Tauri (Rust) - Frontend: React, TypeScript, Tailwind CSS, Zustand - Backend: FastAPI (Python) - Inference: MLX (Apple Silicon) / PyTorch (CUDA/ROCm/XPU/CPU) - Database: SQLite ## Recursos - GitHub: https://github.com/jamiepine/voicebox - Docs: https://docs.voicebox.sh - Licencia: MIT ## Comparativa de alternativas: VoiceStudio (debpalash/VoiceStudio) Alternativa local a ElevenLabs (~30.400 ⭐, AGPL-3.0, consultado 2026-09-15) que agrega **16 motores TTS + 11 ASR** bajo una sola API OpenAI-compatible, más MCP. ```bash docker run -d -p 127.0.0.1:3900:3900 -v omnivoice-data:/app/omnivoice_data --name voicestudio palashdeb/omnivoice-studio:stable # imágenes linux/amd64 ``` | | voicebox | VoiceStudio | |---|---|---| | Motores | 7 | 16 TTS + 11 ASR | | API | MCP en `:17493` | OpenAI-compatible en `:3900/v1` + MCP en `/mcp` | | Extras | — | doblaje con preservación de hablantes (Pyannote/WhisperX), audiolibros (EPUB/PDF → `.m4b`), Demucs, cola batch con watcher, marca de agua AudioSeal | Endpoints: `POST /v1/audio/speech` (mp3/opus/aac/flac/wav/pcm), `POST /v1/audio/transcriptions` (json/text/verbose_json/srt/vtt), `WS /v1/audio/transcriptions/stream`, `GET /v1/audio/voices`, descubrimiento en `GET /.well-known/voicestudio-speech`. **Clave:** al ser OpenAI-compatible, se puede sustituir un proveedor cloud por `http://localhost:3900/v1` **sin tocar el código cliente**. Desde repo: `bun install && bun run desktop`; diagnóstico `uv run python backend/main.py --diagnose --deep`.