Skip to content
webkuborPublic

About

AI 音频工作台:Apple Silicon 本地 TTS、语音克隆与音色设计,另支持 Suno 音乐生成。 / AI audio workbench with local Apple Silicon TTS, voice cloning, voice design, and Suno music generation.

Topics

Resources

Contributing

Stars

10 stars

Watchers

0 watching

Forks

Latest commit

 

History

354 Commits

Folders and files

NameName
Last commit message
Last commit date
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

Repository files navigation

VoxFlow 声流

VoxFlow 声流

License Python 3.10+ Qwen3-TTS 1.7B MLX 8-bit 音频不出本机 macOS Apple Silicon

在 Mac 上录一段自己的声音,就能用它朗读任何文字。
声音克隆、文字设计音色、多角色剧本演播,全部在本机运行 —— 音频不上传,不需要商业 API Key。

五分钟上手 · 界面导览 · 声音管理规则 · 命令行 · 给 Agent 用

「我的声音」页:左侧是声音列表,右侧输入文字生成配音


你可以用它做什么

想做的事 在哪里做 需要准备
用自己的声音配音 「我的声音」→ 录制 / 导入我的声音 → 输入文字生成 一段 10–20 秒的录音,以及录音里说的原文
用文字描述做一个新声音 「音色设计」→ 选模板或自己写描述 → 生成 一句描述,例如「沉稳的中年男声,语速偏慢」
多个角色演一段剧本 「剧本演播」 已有的几个声音 + 台词

所有生成都在本机完成。克隆、设计、配音用的是本地模型,不花钱; 只有可选的 AI 写文案、封面出图会用你自己 museav 账户的积分,用之前会单独授权。


五分钟上手

环境要求: Apple Silicon(M 系列)Mac,macOS,Python 3.10+,约 6 GB 磁盘空间放模型。

git clone git@github.com:webkubor/voxflow.git
cd voxflow
./install.sh --skip-models      # 先装依赖,约 2 分钟;模型稍后在界面里下载
source .venv/bin/activate
voice web                       # 打开 http://localhost:8866

然后:

  1. 下载模型。 第一次打开「我的声音」会提示下载 Base 模型(2.9 GB),点一下就在后台下载,关掉页面也不会中断。 想用「音色设计」时再下 VoiceDesign 模型(2.9 GB)。
  2. 录你的声音。 点「录制 / 导入我的声音」,先写好要念的一段话,再点录音,用正常语速念完。 原文必须和录音逐字一致 —— 克隆质量主要取决于这一步。建议 10–20 秒、安静环境,最长 30 秒。
  3. 配第一句。 在左侧选中刚录的声音,右边输入文字,点「立即合成音频」。生成完会自动播放,文件同时出现在「生成库」。

想要原生窗口,可以装桌面 App(见下文),功能和数据与网页版完全相同。

模型下载到 ~/.voxflow/models-mlx/,你的声音、生成的音频也都在 ~/.voxflow/。 重装、换分支、删掉项目目录都不会丢数据,也不用重新下载模型。


界面里有什么

顶部两组导航,一次只看三个入口:

分组 页面 用来做什么
声音工坊 我的声音 录制 / 导入自己的声音;选一个声音,输入文字生成配音
音色设计 用文字描述生成新声音;内置模板每个只生成一次,生成过的会标「已生成」并可直接试听
剧本演播 多个角色、多段台词,一次合成整段对话
创作与资产 原创存证 导出创作记录(提示词、参数、选用的版本、音频指纹),用于证明原创
生成库 所有生成过的音频:试听、下载、把设计样音加入「我的声音」、删除
成本与健康 用量、花费(本地生成记为 ¥0)、服务状态与运行日志

音色设计页:左侧模板列表,已生成的模板可直接试听 生成库:按时间分组的生成音频,可加入我的声音


声音怎么管理

两个地方,分工不同:

  • 我的声音:能直接拿来配音的声音。你录的声音注册后自动在这里;音色设计的结果默认也直接加入这里。
  • 生成库:所有生成出来的音频文件,包括配音结果和设计样音。设计时如果关掉了「生成后直接加入我的声音」,可以先在这里试听,满意了再点「加入我的声音」。

规则:

  • 模板只生成一次。 已生成或正在生成的模板不能再次提交,避免重复占用时间;想要不同效果,就写一份新的描述。
  • 收藏、重命名随时可改。 重命名只改显示名,不动音频文件。
  • 删除需要确认。 删除前会说明影响:声音会从「我的声音」移除,参考音频文件保留在本机,不会被删掉。
  • 不会覆盖。 名字重复、同一个样音重复加入,都会提示冲突,已有数据保持原样。

网页、桌面 App、命令行共用同一套规则(core/voice_library.py)和同一份数据。


命令行

所有界面能做的事,命令行都能做:

# 我的声音
voice voice record me --ref-text "要朗读的原文" --seconds 15     # 麦克风录音并注册(终端需麦克风权限)
voice voice add me sample.wav --ref-text "录音里说的原文"          # 用已有录音注册
voice voice list [--favorites]                                   # 列出声音
voice voice rename me "我的旁白"
voice voice preview me                                           # 用一句话试听
voice voice rm me --yes                                          # 删除(参考音频保留)

# 配音
voice clone me "霜叶红于二月花,山色空蒙雨亦奇。"

# 音色设计与模板
voice preset list --pending                                      # 还没生成过的模板
voice preset run <模板名>                                         # 生成;已生成的会被拒绝
voice design 侠客 "十步杀一人,千里不留行。" --tone "苍劲豪迈,沉稳威严" --commit

# 生成库
voice library list --kind design --unsaved                       # 还没加入我的声音的设计样音
voice library save "<文件名>" "新名字"                            # 加入我的声音,不重新生成

# 剧本、环境、用量
voice dialogue configs/dialogue.json
voice doctor                                                     # 环境自检
voice stats                                                      # 近 30 天用量与花费

克隆时 --tone / --emotion 不生效。 当前 MLX 版 Base 模型没有情绪指令入口。 想要情绪,就把它写进文本(「他压低声音说:……」),或用音色设计生成一个带情绪的新声音。 CLI 遇到这种情况会明确提示,不会静默忽略。


给 Agent 用

voice voice、voice library、voice preset、voice design、voice clone 都支持 --json:

  • stdout 只输出一个 JSON 对象:{"ok": true, ...} 或 {"ok": false, "error": "...", "status": 409};进度信息走 stderr。
  • 退出码:0 成功、1 错误、3 不存在、4 冲突(重名、模板已生成或正在生成)。
  • 非交互环境里删除必须加 --yes,不会卡在确认提示上。
voice preset list --pending --json | jq -r '.presets[].name'
voice voice rm old_voice --yes --json; echo "exit=$?"
./install.sh --yes                  # 无交互安装:依赖 + 两个模型
voice doctor --json                 # 环境检查结果,供 Agent 判断

完整命令清单与约定见 AGENTS.md。


macOS 桌面 App

基于 MyGo + WKWebView 的原生窗口,界面与网页版相同,共用 ~/.voxflow/ 里的数据。 App 内录音会请求麦克风权限,请在系统弹窗中允许;如果之前拒绝过,到「系统设置 → 隐私与安全性 → 麦克风」重新打开。

./desktop/build.sh      # 构建并安装到 ~/Applications

App 启动时会复用已在运行的本地服务,没有就从项目目录启动。移动项目目录后,重新运行一次构建脚本。


隐私与花费

  • 音频不出本机:录音、参考音频、生成结果都只存在 ~/.voxflow/,没有任何上传路径。
  • 本地生成免费:克隆、设计、配音、剧本演播都用本机模型,不计费。
  • 可选的付费能力:AI 写文案 / 润色、封面出图使用你自己的 museav 账户积分,需要先 voice museav login 授权;不连接也不影响声音功能。

技术说明

  • 模型:Qwen3-TTS 1.7B,mlx-community 8-bit 量化版,Base(克隆)与 VoiceDesign(设计)各约 2.9 GB。
  • 为什么只支持 Apple Silicon:2026-09 起推理改为 Apple MLX,相比原 PyTorch + MPS 方案体积小 31%、单次推理快约 1.76 倍,并且不再有「算子静默回退 CPU」的问题。PyTorch 链路已移除,voice doctor 在非 Apple Silicon 上会直接报 FAIL。
  • 参考原文为什么必填:参考音频没有对应原文时,模型输出会被截断并出现乱码,所以注册时强制填写。
  • 迁移数据、音色还原度测试与回滚方法见 docs/MLX_MIGRATION.md。
项目结构
voxflow/
├── cli/            # 命令行入口(voice clone / design / voice / library / preset / doctor …)
├── core/
│   ├── voice_library.py  # 我的声音、生成库、模板状态的唯一规则出处(网页与 CLI 共用)
│   ├── paths.py          # 代码目录与数据目录的唯一定义
│   └── engine.py         # Qwen3-TTS(MLX)引擎
├── web/
│   ├── app.py      # FastAPI 后端:合成、声音、任务队列、健康与用量
│   └── ui/         # Vue 3 + Pinia + Naive UI 前端
├── desktop/        # macOS 桌面 App(MyGo)
├── configs/        # 内置设计模板、单价表
├── tests/          # 回归测试
└── docs/           # 文档索引见 docs/README.md

AI 音乐生成与全网发行已拆到独立项目 suno-publisher,本仓只做声音。

开源协议

Apache-2.0。底层语音模型为 Qwen3-TTS,推理权重来自 mlx-community。

About

AI 音频工作台:Apple Silicon 本地 TTS、语音克隆与音色设计,另支持 Suno 音乐生成。 / AI audio workbench with local Apple Silicon TTS, voice cloning, voice design, and Suno music generation.

Topics

Resources

Contributing

Stars

10 stars

Watchers

0 watching

Forks

Releases

Packages

Contributors

Languages