01 · 这件事

十万星的语音工作台,把六件事收进一台机器

debpalash/VoiceStudio 2026 年 4 月 9 日建库,到 11 月 9 日核对时是 105,071 星、11,678 个 fork、106 个未关闭 issue,订阅者 355;Python,AGPL-3.0,仓库 203,146 KB,主页 voicestudio.sh。最后一次 push 是 11 月 8 日 23:20 UTC,还在动。README 第一屏写着「AI voice studio. On your device.」,紧跟着一句「Clone, design, dub, dictate, transcribe and narrate in 646 languages.」——把语音克隆、声音设计、视频配音、听写、转写、有声书六件事,全放进一个跑在本机的应用里,还标了 646 种语言。README 里那句「100,000 GitHub stars — thank you!」已经落后于实测值,说明它刚跨过十万星不久。

这类项目最容易被写成「ElevenLabs 的免费开源平替」,但那只是 description 里的定位。真正决定它能不能替代的,是「646 种语言」这个数字到底覆盖到什么程度——是六百多种语言都能正常出声,还是六百多个条目都挂在同一个模型目录里。这次不数管线也不数 skill,只把仓库里那张语言表逐行数一遍,顺带看看一个十万星项目的工程体量和授权边界撑不撑得起「本地免费」四个字。

02 · 核心机制

模型在本机,646 只属于默认引擎

它不是一个调云 API 的客户端。默认引擎是 k2-fsa/OmniVoice,模型由 Model Manager 按需下载,README 明确写「The app asks before it downloads any model」——下任何模型前会先问。推理走四条硬件路径:Windows / Linux 上的 NVIDIA CUDA、AMD ROCm(Windows 为 opt-in)、GGUF 引擎的 Vulkan、Apple Silicon 的 Metal (MPS);No GPU? The app is fully usable on the CPU, just slower.「本地」在这里是字面意思:没有 GPU 也能跑,只是慢。

应用形态是 Electron 桌面端,加移动预览。稳定档覆盖 macOS 13.3+(Apple Silicon)、Windows 10/11 x64、Linux x64 与 Docker 镜像;Android 10+ 和 iOS / iPadOS 17+ 标的是 Preview,描述为「On-device, offline after model download」;Intel Mac 只能跑 UI,要连另一台机器上的 backend,Windows on ARM 是 experimental。对外接口给了 Local API、MCP、可复用 recipes 和 watch folders,还能用 npx skills add debpalash/VoiceStudio 装两个 agent skill 给编码助手用。换句话说,它同时是一个桌面应用和一套可被 agent 调用的本机语音服务。

关键的一句在 docs/languages.md 里:「This catalog describes the OmniVoice model. Other engines have their own language sets.」——646 这个目录描述的是默认引擎 OmniVoice,不是整个应用的通用能力。文档还写明,现在选到某个引擎不支持的语言会直接停止合成,并报出引擎名和可选语言,而不是偷偷用别的语言顶上。先把归属搞清楚,再看数字才有意义。

03 · 关键细节与数据

646 条一条不少,中位数却只有 10.18 小时

仓库里 docs/lang_id_name_map.tsv 15,672 字节,四列:language_id、language_name、iso_639_3_id、train_data_duration。逐行统计是 647 行——1 行表头加 646 条语言,和 README 的「646 languages」严丝合缝。docs/languages.md 写「VoiceStudio supports 646 languages with a total of 581k hours of training data」,把 TSV 第四列求和得 581,489.36 小时,同样对得上。这是少见的、自述数字两个都经得起反查的项目——之前几篇里,README 说的插件数、管线数、子技能数都和目录对不齐。

但分母长什么样,第一屏没讲。646 条按时长排序,中位数是 10.18 小时;不足 100 小时的有 570 种,占 88.2%;不足 10 小时的 265 种,不足 1 小时的 11 种;反过来,能上 10,000 小时的只有 10 种。头部是 English 206,061.1、Chinese 111,343.3、Japanese 36,914.4、Spanish 27,559.74、French 23,675.32、German 21,927.13;尾部是 Macedo-Romanian 0.02、Haitian 0.04、Ayacucho Quechua 与一种 Nahuatl 各 0.05。0.02 小时是 1.2 分钟语料,它和英语的二十万小时共享同一个「支持」标签。

把前两名加起来:English + Chinese = 317,404.4 小时,占总时长 54.6%;英语一门就占 35.4%。docs/languages.md 没有给出 WER、MOS 或任何质量分层,也没有 Tier 1 / 2 这类档位,只逐行列出时长;它还写明葡萄牙语巴西 / 欧洲两个变体共用同一个 pt 模型,Uyghur 的支持是条件式的(Whisper 不能转录它,因此不作为配音源语言),RTL 文字靠 dir="auto" 处理。「646」是目录条目数,不是 646 份等质的能力。

另外两处顺手核了。README 说 Model Manager 里有「dozens of other engines」,docs/engines/ 下确有 32 个 .md;但其中 README.md、disk-usage.md 不是引擎,cosyvoice / cosyvoice-gguf、omnivoice 的三份文档、以及 faster-whisper、whisper-cpp、whisperx、pytorch-whisper、mlx-whisper 等属同族变体——按文档数说「几十」成立,按独立引擎数要打折。最新版是 v0.5.7,2026 年 10 月 26 日发布,31 个发布资产:桌面包从 2.1 亿到 2.9 亿字节不等(win-x64.exe 222,263,756 字节、mac-arm64.dmg 280,523,075 字节),Android APK 135,770,866 字节,另含 5 份 Electron 更新清单。根目录 55 项、docs 106 项、CHANGELOG.md 589,613 字节、uv.lock 1,779,232 字节,这是个工程化仓库而不是演示原型。

数据核对:2026-11-09 经 api.github.com 读取,full_name = debpalash/VoiceStudio,stargazers_count 105071,forks_count 11678,open_issues_count 106,subscribers_count 355,created_at 2026-04-09T21:40:26Z,pushed_at 2026-11-08T23:20:49Z,language Python,license AGPL-3.0,size 203146 KB,homepage https://voicestudio.sh,default_branch main,archived false。releases/latest 为 v0.5.7,published_at 2026-10-26T14:59:48Z,assets 31 个。目录经 /contents 读取:根目录 55 项(README.md 30227 字节、CHANGELOG.md 589613 字节、uv.lock 1779232 字节)、docs/ 106 项、docs/engines/ 32 个 .md、omnivoice/models/ 3 个 .py。README.md 与 docs/languages.md 经 raw.githubusercontent.com 读取;docs/lang_id_name_map.tsv 全文 15672 字节经 curl 下载后本地逐行统计:647 行(1 表头 + 646 条),train_data_duration 列合计 581489.36 小时,中位数 10.18 小时,不足 1 小时 11 种、不足 10 小时 265 种、不足 100 小时 570 种、达到 10000 小时 10 种,English 206061.1 + Chinese 111343.3 = 317404.4 小时(54.6%)。易误解点有三:一是「646 languages」在 docs/languages.md 里被明确限定为 OmniVoice 这一默认引擎的目录,其他引擎各有语言集,不是全应用通用覆盖数;二是 646 与 581k hours 这两个自述值本次均核对成立,但仓库未给出质量分层、WER 或 MOS,时长分布极不均;三是 README 的「needs no account」「no paid cloud」仅对应桌面单机路径,Pro 需账户且为闭源构建、Cloud 为 coming soon、Docker 部署需自签 OMNIVOICE_API_KEY,AGPL-3.0 只覆盖应用,模型权重 / 声音 / 生成输出各有许可证。本文未安装应用、未下载模型、未做任何语音质量实测,机制与平台状态均按 README 与 docs 自述引用。星标实时变化,以仓库当前数据为准。(核对时间 2026-11-09)
04 · 怎么用

先查那门语言的时长,再决定下不下模型

安装路径按平台分得很细:macOS 用 brew tap debpalash/tap → brew trust --cask debpalash/tap/voicestudio → brew install --cask debpalash/tap/voicestudio;macOS / Linux 一键脚本 curl -fsSL https://voicestudio.sh/install | sh;Windows 是 irm https://voicestudio.sh/install.ps1 | iex;Linux 另有 yay -S voicestudio-bin、sudo apt install ./VoiceStudio-*-linux-x64.deb、sudo snap install voicestudio(记得 sudo snap connect voicestudio:audio-record)、AppImage 与 Nix;源码是 git clone 后 bun run dev。脚本还支持 --version X.Y.Z、--main、--uninstall 三个开关。README 特别注明 0.5.3 及更旧的 Tauri 版要单独装新应用,属于迁移而非覆盖升级。

第一次打开,README 给的最短路径是:进 Voice cloning,挑一个声音或给一段干净参考录音,输入文字,生成;下载任何模型前应用会先询问。要自动化就走 Local API 或 MCP,也可以用 npx skills add debpalash/VoiceStudio 把 voicestudio / voicestudio-maintainer 两个 skill 交给编码助手。Docker 路线要额外设一个本机密钥:export OMNIVOICE_API_KEY="$(openssl rand -hex 32)",然后 docker run -d --name omnivoice -p 127.0.0.1:3900:3900 ghcr.io/debpalash/voicestudio:stable,浏览器开 http://localhost:3900。这个 API key 是自己签给本机服务用的,不是云账户凭据,别和「needs no account」混为一谈。

授权要单独算账。AGPL-3.0 覆盖应用本身且允许商用,但 README 写明「Model weights, voices and generated output have their own licences」,Model Manager 会逐个显示;Pro 是闭源构建、需要账户、单用户最多 3 台设备、7 天退款,卖的是商业许可;Cloud 是托管 API,标注 coming soon,尚未上线。声音克隆那句 Clone a voice only with its owner's permission. 把合规责任明确留给了使用者。「免费、无需账户、无需付费云」在桌面单机这条路径上成立,不等于整个产品没有商业层。

所以装之前有一件比选安装方式更该做的事:打开 docs/lang_id_name_map.tsv,搜你要的语言,看 train_data_duration 那一列。做中英,111,343.3 与 206,061.1 小时摆在那儿,值得把模型下下来;做一门排在表尾、只有几小时语料的语言,先把期望调到「能出声」而不是「能商用」,或者换一个专做该语种的引擎——文档说得很清楚,选到不支持的语言会直接停,不会降级。这一步花两分钟,比装完 200 多 MB 再发现不对便宜。

05 · 冷思考

数字没撒谎,口径替它说了话

先质疑那个最响的数字。646 条、581k 小时,逐行都对得上,仓库没虚报;但 README 把它放在第一屏和 description,docs/languages.md 才补上「这份目录只描述 OmniVoice 模型,其他引擎各有自己的语言集」,而且全文没有 WER、MOS 或质量分层。把 1.2 分钟语料的语言和二十万小时的英语并成一个「支持」,是市场口径,不是工程口径。十万星里有多少是被「646」吸引来的,仓库不会告诉你,但把中位数 10.18 小时写进第一屏显然不利于传播。

再质疑热度与完成度的错位。105,071 星配 355 个订阅者、106 个未关闭 issue,版本还是 0.5.7;Android / iOS 是 Preview,Intel Mac 是 Limited(UI 跑本机、后端要外挂),Windows on ARM 是 experimental,Cloud 还没上线。同时根目录 55 项、docs 106 项、CHANGELOG 589,613 字节、uv.lock 1.78 MB、31 个发布资产覆盖五套桌面架构加两端移动包——维护面已经铺得比版本号快,星标涨得越猛,这条缝越容易被人忽略。

第三处是硬件与合规这两笔隐性成本。CPU 能跑但 README 自己写「just slower」,CUDA / ROCm / Vulkan / Metal 四条加速路径分别卡在不同平台上;桌面包 200 MB 起步,模型还要另下。AGPL 只覆盖应用,模型权重、声音与生成输出各有许可证,做商业配音得逐个核;声音克隆的授权责任文档一句话推给了用户。「本地」省掉的是调用费和上传,没省掉显存、磁盘和合规判断。

所以判断不该落在 10 万星上,也不该落在 646 上。如果你只做中英,或者就是不想把音频交给第三方,它给了一条能完全离线、无账户、AGPL 授权的完整路径,桌面端成熟度也够试;如果冲着小语种去,先读那张 TSV 的第四列,再决定要不要下载模型——真正决定结果的是你要用的那一两门语言有多少小时,不是目录有多少行。一个把数字写得这么经得起查的仓库,值得用同样的方式去读它。

去看原始仓库

本地运行的语音工作台,默认引擎 OmniVoice,646 种语言目录与逐语言训练时长都公开在 docs 下

前往 GitHub

相关平台

#Skill #语音合成 #本地部署 #开源 #GitHub