VoiceStudio安卓版的官方预览版以APK形式通过GitHub Releases分发,当前版本v0.5.7,要求Android 10(API 29)及以上。如果你受够了ElevenLabs这类云端语音服务按分钟计费、录音必须上传、断网就没法用的模式,VoiceStudio走的是完全相反的路线:所有语音克隆、TTS、配音和转写都在你自己的设备上完成,录音、文稿和生成的音频默认不离开本机。它基于AGPL-3.0开源协议,默认使用OmniVoice引擎,同时兼容VoxCPM2、CosyVoice、IndexTTS、WhisperX、FunASR等多个引擎。手机端支持离线运行,模型下载完成后即可断网使用,电脑只是可选项。GitHub仓库已获得超过10万星,被多家独立评测定位为“ElevenLabs的本地平替”。

VoiceStudio的核心能力:声音克隆、多语言TTS与视频配音如何协同
VoiceStudio的功能面板围绕“克隆声音—合成语音—扩展场景”这条路径组织,手机端和桌面端共享同一套声音档案和工作流。声音克隆的起点很低:通常一段清晰的参考音频就足够让模型捕捉音色特征,克隆在设备本地完成,不需要上传到任何服务器。646种语言TTS是它的规模标签,从常见的中英日韩到低资源语言都覆盖在内。视频配音则把转写、翻译和语音合成串起来:自动识别原视频的说话人,按时间轴生成对齐的配音音轨。有声书模式支持导入EPUB或长文本,按章节批量生成多角色朗读。
参考音频克隆:用一段清晰的参考录音生成熟悉声音的语音,手机端克隆的声音模型保留在本机,与桌面端工作流同步。
646种语言TTS:默认OmniVoice引擎,可切换VoxCPM2、CosyVoice、IndexTTS等,覆盖从主流语言到低资源语种。
视频配音与听写转写:自动转写视频语音、翻译目标语言、生成时间对齐的配音音轨;WhisperX、Faster-Whisper、FunASR等引擎提供不同精度和速度的转写方案。
有声书批量生成:长文本或EPUB按章节拆分,多角色语音分配,批量任务队列处理。
本地API与Agent接入:桌面端在本机3900端口提供OpenAI兼容API,Claude Code、Cursor等编程助手可通过MCP直接调用语音能力。
VoiceStudio怎么用?从APK安装到首次克隆的三步流程
VoiceStudio安卓版的使用流程有一个需要提前理解的前提:手机端目前是预览版,官方主力的桌面版本功能更完整。手机端的定位是“在手机上完成核心的语音合成、克隆和听写”,复杂的长视频配音和批量有声书任务在桌面端体验更成熟。第一步,从GitHub Releases下载最新的Android APK,在手机上打开并允许安装。首次启动时应用会准备运行环境,需要一定的等待时间。第二步,进入声音克隆或TTS界面,输入文本、选择语言和音色。如果要克隆自己的声音,录制或导入一段参考音频。第三步,点击生成,首次使用某个引擎时会提示下载对应的模型,模型就绪后即可离线生成音频。
Step 1 下载VoiceStudio的Android APK(v0.5.8或更新版本),安装时允许未知来源。要求Android 10(API 29)及以上。

Step 2 打开应用,选择TTS或声音克隆功能。输入文本、选择语言;克隆声音时录制或导入参考音频。首次使用引擎时按提示下载模型。

Step 3 点击生成,等待本地推理完成。输出音频可保存或分享。手机端克隆的声音保留在本机,与桌面端的声音档案同步。

⚠️ 提示:手机端是预览版,核心功能可用但稳定性和完整度不及桌面端。首次启动和首次加载引擎需要等待,模型下载需要存储空间(桌面端FAQ估算约10GB用于模型,手机端小模型最低需要约2GB空闲空间)。默认OmniVoice引擎的模型协议为CC BY-NC(非商业用途),商业使用前需要确认所切换引擎的模型许可。
VoiceStudio和ElevenLabs、GPT-SoVITS有什么区别?
VoiceStudio、ElevenLabs和GPT-SoVITS都做语音合成与克隆,但运行方式和产品哲学不同。ElevenLabs是云端商业服务的标杆,音质成熟、开箱即用,代价是按量或订阅计费、音频必须上传、全程依赖网络。GPT-SoVITS是社区中流行的本地语音克隆方案,轻量、专注中文场景,但功能面相对集中在TTS和克隆,视频配音和有声书工作流需要自行拼接。一体化本地工作流与多引擎架构是VoiceStudio的差异点:它把克隆、TTS、视频配音、听写和有声书收进同一个应用,通过统一的引擎路由层让用户按场景切换不同模型,而不是把所有能力绑定在单一引擎上。代价是部署和硬件门槛更高,手机端尚在预览阶段,桌面端也需要一定的折腾意愿。
VoiceStudio适合哪些用户?
VoiceStudio的适用人群和它的本地优先定位直接挂钩:它服务的是那些在意录音隐私、不希望把声音素材和生成内容上传到第三方服务器、并且愿意用一次性硬件投入替代持续订阅费用的创作者。对于做视频配音、播客、有声书或多语言教程的个人用户,它把配音、转写和克隆收在同一个工作台里,省去了在多个工具之间切换和重复上传的步骤。对于有编程能力、需要把语音能力集成到自己应用中的开发者,本机的OpenAI兼容API和MCP接入提供了直接的扩展路径。对于只想在手机上点几下就得到成品、不愿意处理模型和引擎配置的用户,手机端预览版的成熟度和桌面端的前置门槛需要纳入考量。
# 本地语音克隆# 隐私优先# 视频配音# 有声书制作# 开源免费
录音和文稿涉及工作资料或客户内容,不希望上传到任何云端语音服务的创作者。
需要在一个工作流里同时完成声音克隆、TTS、视频配音和有声书批量生成的个人或小型团队。
有技术能力自行处理模型下载和引擎配置,愿意用本地硬件投入替代持续订阅费用的开发者或进阶用户。
只想在手机上点几下就得到可用结果、或者对模型许可和硬件门槛没有预期的普通用户,云端商业服务或更轻量的移动端工具门槛更低。
VoiceStudio的真实反馈与功能边界
VoiceStudio在开源社区的热度非常突出,GitHub星标超过8万,多家独立评测将它定位为ElevenLabs的本地替代品,正面反馈集中在“数据不出本机”“无按量计费”和“功能一体化”三个方向上。用户普遍认可它把克隆、配音、转写和有声书收进一个工作台的整合方式,以及本机API带来的集成便利性。功能边界同样清晰:桌面端FAQ估算约8GB RAM和10GB磁盘用于模型,推荐至少16GB RAM,CPU可以跑但比GPU慢;手机端是预览版,稳定性和功能完整度与桌面端存在差距。默认OmniVoice引擎的模型协议为CC BY-NC,商业使用需要切换引擎或确认许可。项目标注为active beta,主要由单人维护,长期迭代节奏存在不确定性。声音克隆的合规边界需要使用者自行把握:本地运行意味着没有平台层的内容审核,克隆他人声音需要获得授权。
“VoiceStudio 是 AGPL-3.0 开源,自己用、拿去改都可以。本地合成时,没有「读一句扣一次」的账单,电费和显卡还是你自己的。”——这是社区中对VoiceStudio商业模式最直接的一句概括,零调用成本和数据本地化是它被讨论最多的两个价值点。
官方Android预览版通过GitHub Releases分发,要求Android 10(API 29)及以上,手机端功能完整度低于桌面端。
桌面端模型需要约10GB磁盘和推荐16GB内存,CPU可用但速度较慢。
默认OmniVoice引擎模型协议为CC BY-NC(非商业),商业使用需切换引擎或确认对应模型许可。
项目为active beta,主要由单人维护,长期迭代和维护节奏存在不确定性。
声音克隆需获得被克隆者授权,本地运行没有平台层内容审核,合规责任在使用者。
✅ 一句话总结
VoiceStudio是一款开源免费、完全本地运行、支持声音克隆、646种语言TTS、视频配音和有声书生成的AI语音工作室,安卓预览版版本v0.5.7,要求Android 10以上,通过GitHub Releases分发APK。它适合在意录音隐私、希望用一次性硬件投入替代订阅费用的创作者和开发者。手机端是预览版,桌面端功能更完整;默认引擎模型为非商业许可,商业使用前需确认对应引擎的模型协议。












