VoiceStudio电脑版

VoiceStudio 是一个开源的语音工作台，把多套 TTS 合成引擎和 ASR 识别引擎集成在一起，用户能在这些引擎间一键切换，按实际场景挑出更合适的效果。想做零样本音色克隆，准备 3 到 15 秒的参考音频就能复刻出说话人的音色，语气和发声特征也能一并还原；也可以直接描述年龄、口音、情绪，让系统生成一个全新的人声。

VoiceStudio电脑版把音频转录、字幕生成、多人声区分、翻译以及配音这些环节串联成一条完整的工作流，视频本地化制作可以在同一款软件里从头做到尾，专业语音处理任务因此变得既省事又高效。

VoiceStudio电脑版如何设计新声音

1、启动VoiceStudio电脑版后，切换到【语音】页面；

2、把希望声音朗读的内容填写到输入框里；

3、从预设方案中挑选一项，或者通过“描述你的声音”功能，把能听到的特征写清楚——比如年龄区间、声线特质、语速、口音、力度以及所适用的表达场景；

4、声音设置还可以再往下细调。

5、最后点选【生成音频】就可以了；

6、以上便是VoiceStudio电脑版创建新声音的完整操作指引。

更新日志

v0.5.6版本

一、亮点

1、接到 Twilio 来电时，可用事先存好的语音向对方致意并完成接听；该功能初始为关闭状态，并附带本地通话质量检测。

2、VoiceStudio 现已打通 Claude Code、Cursor、Codex CLI 与 OpenAI Agents SDK，这些工具均已成功接入并可正常使用。

3、将已保存克隆的参考样本进行替换，再从 OmniVoice 里克隆时长超过 20 秒的参考音频

4、在 8 GB 显存的 GPU 上即可处理长篇有声书的章节，即使中途断电或数据文件夹被移动，也能正常应对。

5、马拉雅拉姆语数字与章节提示表，以及未带语音标记标签的字幕

二、已更改

Voice Clone 的活动引擎会依据参考音频的实际时长来运作，并不会强制你把素材压缩到 15 秒以内。

三、已添加

1、对已保存的语音克隆参考样本进行编辑：可先播放试听，再通过上传音频或直接录制的方式将其替换，最终保存回原有的同一语音条目。

2、通过已存语音应答 Twilio 来电：该功能初始为关闭状态，采用签名 Webhook 与一次性流令牌机制，并支持本地通话质量检测

3、在马拉雅拉姆语配音与有声读物中，数字、百分比及小数均以马拉雅拉姆语的口语形式呈现，而非直接照读原始数字。

4、故事或有声书渲染完毕后，可获取一份章节提示表（HH:MM:SSTitle），其时间戳与 M4B 内嵌章节一一对应，并附带 MP3 便携式章节信息

5、OpenAI Agents 集成页面给出了一段可直接复制的代码，把它放到 VoiceStudio 上就能运行 Agents SDK 的语音管道。

6、OpenAI 兼容 API 新增 GET /v1/models 与 POST /v1/audio/translations 两个接口，后者由多语言 Whisper 模型提供支持，并会拒绝 turbo 模型。

7、语音请求支持 stream_format（audio 或 sse）以及 OpenAI 的 {"id": ...} 语音对象

8、转录时由 language、prompt 和 temperature 三项参数共同传入 Whisper 引擎处理，返回结果中的 words 字段则通过 timestamp_granularities[]=word 指定获取。

9、集成能力：提供可复制的 Codex CLI（config.toml），支持任意 MCP 客户端（HTTP 或 stdio）接入，并可通过 VoiceStudio API（curl 与 OpenAI SDK）调用，同时支持 Docker/GHCR 部署方式。

四、已修复

1、字幕粘贴或导入后，卡拉OK标签将不再被识别；WebVTT与SubRip导出文件若未经改动，原始字幕标记仍会保留。

2、已保存声音并上传超过20秒音频后，可在OmniVoice上再次进行克隆，系统会自动选取最佳片段。

3、VoxCPM2 改变了以往的做法，不再把一段容量有限的参考素材与整段文本一一对应起来。

4、说话人分割功能采用 Lightning 2.6.6 版本，这一版本能够拦截来自恶意检查点的代码执行行为

5、在 8 GB 显存环境下，长篇有声书章节渲染时不会再出现超时；遇到超时的章节，会在当前分块处理完成后停止占用 GPU。

6、Windows 环境下重置连接后，后端不会再出现仍在运行却无法访问的状况。

7、官方 OpenAI SDK 与 OpenAI Agents SDK 维持原状：gpt-4o-mini-tts 以及现有的 OpenAI 语音名称不会再因为“未知模型”而报错失败

8、语音引擎如今会读取 OpenAI instructions 中的内容，而不再将其跳过；OmniVoice 正是借助其中的语音设计标签来实现这一处理。

9、语音 PCM 采样率为 24 kHz，这一点与 OpenAI 的规范一致；AAC 与 Opus 均返回真实的对应编码格式，若缺少编码器则属于明显错误，而非被错误标记的 WAV 文件

10、转录报告会显示实际检测到的语言，不再固定显示英语；verbose_json 的分段结构也与 OpenAI 的模式保持一致。

11、兼容 OpenAI 的路由在出错时按 OpenAI 格式返回，遇到无效请求则给出 400 响应

12、有声书章节渲染完成后，即便数据文件夹被移动，仍可继续使用；关机也不会清除恢复点或破坏章节音频。

13、音频书章节缓存未命中时，现在会记录自缓存渲染之后哪些输入发生了变化。

14、Docker 环境下的 MCP 客户端将 /mcp 作为连接目标，采用从源码构建的方式，而非直接拉取，从而避开 HTTP 405 问题

15、MCP 工具与 backend.speech_client 统一采用同一后端，端口通过 OMNIVOICE_PORT 获取，不再默认使用 3900。

16、卡片标注是否属实有明确判断：只有确实存在对应设置项时才会显示“支持 VoiceStudio”，其余情况一律标为“外部链接”。

软件特色

1、声音克隆

放一段短视频，我们把它镜像翻转一下。一般三秒左右就行。

2、声音设计

用一句话就能生成全新的声音，性别、年龄、口音、音调与情感均可自由设定。

3、视频配音

转录、翻译并重新配音，保留每位说话人信息，同时完成时间对齐。

4、故事

多角色有声书：先挑选配音人选，再安排进脚本中。

5、有声书

可将篇幅较长的剧本或EPUB电子书转化为分章节呈现的有声书作品。

6、配音画廊

按口音、年龄与风格分类整理好的现有音色可供挑选试听。

7、文字记录

把音频或视频内容转成文字，转换后的文本支持编辑与检索。