voicebox

name	voicebox
description	Voicebox — Estudio de voz AI local-first open-source. 7 motores TTS, clonación de voz, dictado global, transcripción STT, integración MCP. Alternativa local a ElevenLabs.
version	1.0.0
author	Hermes Agent
license	MIT
platforms	["linux","macos","windows"]
metadata	{"hermes":{"tags":["voice","tts","stt","voice-clone","mcp","audio","elevenlabs-alternative"],"category":"media"}}

voicebox — Open-Source AI Voice Studio

Voicebox (28K⭐) 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

# 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)

# 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

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