YoVoice
开源的本地AI音频创作工作台，零成本配音和声音克隆
不用配Python环境，下载安装就能用。所有推理跑在自己电脑上，文稿和音色不出本机，还附带了命令行和Agent接口。
核心功能
文字转语音
输入文稿一键生成自然语音，支持中英日等多语言，具体语言范围取决于所选模型。
声音克隆
上传3到60秒参考音频即可复刻音色，不需要专门训练，录音裁剪也在应用里完成。
情绪与语气调节
可通过情绪标签、参考音频或自然语言提示词调整朗读语气，不同底模支持粒度有差异。
AI音乐生成
输入风格提示词和带段落标记的歌词，可生成带人声的完整歌曲。
五线谱编曲
按小节编写音符，用General MIDI音色渲染，支持导出MIDI和分轨文件。
多轨项目管理
支持故事配音、语音生成、音乐、乐谱四种项目类型，多角色多版本可并排对比挑选。
CLI与Agent接入
提供独立命令行工具和Agent Skill，可让Claude Code这类工具直接拿着稿子生成配音文件。
产品特色
- 01
真正把推理跑在本机，文稿和声纹不出电脑
这点和云端配音服务最本质的区别。你的文稿不需要上传到任何第三方服务器，参考音频也全程留在本地磁盘。模型下载一次之后，断网也能继续生成音频。对于涉及商业机密的配音需求来说，这是很实际的安全感。
- 02
告别Python环境折腾，装上就能用
底层用的是audio.cpp推理引擎，安装包内置了引擎，不需要装Conda、不用担心依赖冲突。有用户说自己配过各种开源TTS的WebUI，光装环境就花了大半天，YoVoice的安装体验确实省心不少。
- 03
模型选择面宽，按需下载不占空间
内置了IndexTTS 2.0/2.5、VoxCPM2、OmniVoice、Qwen3-TTS和Kokoro五款模型的多个版本。最小的Kokoro只有189MB，适合快速配音；大的音乐生成模型有几个GB。下载支持断点续传，也能导入自己转好的GGUF文件。
- 04
Agent Skill让批量配音变成一行命令
配套的Agent Skill可以交给Claude Code这类AI工具调用，拿着稿子和参考音频直接出配音文件，不用打开桌面端。批量做口播内容的时候，这个设计省掉了反复点界面的麻烦。
应用场景
✅ 有声书与播客
批量将书稿转为多角色配音，同一句台词可以生成多个版本并排对比，挑出最满意的那条。
✅ 短视频配音
高频产出旁白内容，克隆角色专属声线并保持全片一致，不用反复调参数。
✅ AI音乐创作
输入风格提示词和带段落标记的歌词，快速生成音乐demo，适合独立音乐人试水。
✅ 隐私敏感配音
企业宣传片、内部培训材料涉及保密内容，声纹数据全程留在本机，杜绝泄露风险。
✅ 批量口播生产
通过CLI或Agent Skill把配音能力接入自动化流水线，让AI工具直接输出音频文件。
常见问题
解答您关于"YoVoice"的常见疑问，让您更好地使用这款AI工具
-
首次下载模型时需要联网，模型下好之后就可以完全离线使用了。文稿、参考音频和生成的作品都保存在本地~/.yovoice目录下，换电脑的话打包备份这个目录就行。
-
最直接的区别是计费方式。云端通常按字数或时长收费，生成频率高了账单会线性增长。YoVoice是一次性下载模型，之后生成多少次都不额外花钱。文稿也不用上传到别人服务器上，隐私方面更放心。
-
桌面客户端支持macOS 14及以上的Apple Silicon机型和Windows 10/11的x64系统。独立CLI还额外支持Linux。Windows端支持NVIDIA CUDA加速，macOS端走Metal。
-
可以，但速度会慢一些。Kokoro这种小模型在CPU上也能凑合用，生成速度取决于硬件和模型大小。如果有独立显卡体验会好很多。
-
录一段1到60秒的清晰人声就够了，不需要专门训练。建议先用短文本试听效果，确认发音和语气满意后再生成完整内容。克隆他人声音时注意使用本人录音或获得授权的素材。
-
需要注意，OmniVoice的权重采用CC-BY-NC许可，官方明确标注只允许非商业用途。其他几款模型的具体许可条款可以在GitHub仓库里查看，程序本身和模型许可是分开适用的。
立即体验“YoVoice”
YoVoice是一款开源的本地音频创作工具，支持macOS和Windows。安装即用，无需配置Python环境，文字转语音、声音克隆、情绪控制全在本机完成，不调用云端API，也没有按字数计费。内置IndexTTS、VoxCPM2、Kokoro等多款开源模型，还提供命令行和Agent Skill接口，适合做视频旁白、有声书和播客。
