👉 这是一个或许对你有用的社群
🐱 一对一交流/面试小册/简历优化/求职解惑,欢迎加入「芋道快速开发平台」知识星球。下面是星球提供的部分资料:

👉这是一个或许对你有用的开源项目
国产Star破10w的开源项目,前端包括管理后台、微信小程序,后端支持单体、微服务架构
RBAC权限、数据权限、SaaS多租户、商城、支付、审批工作流、大屏报表、ERP、CRM、WMS、MES、HRM、EAM、OA、FMS、PMS、AI大模型、AI工作流、AI Agent、IoT物联网、IM实时聊天等功能:
- 多模块:https://gitee.com/zhijiantianya/ruoyi-vue-pro
- 微服务:https://gitee.com/zhijiantianya/yudao-cloud
- 视频教程:https://doc.iocoder.cn
【国内首批】支持 JDK25 + SpringBoot4、JDK17/21+SpringBoot3、JDK8/11+Spring Boot2三版本 VoiceStudio 是个跑在自己电脑上的声音工作台。克隆音色、给视频配音、听写转文字、做有声书,全都本地完成,不注册账号,不用 API Key。
项目九月那会儿三万八,现在已经十万 Star 了。个人开发者 debpalash 维护,前身叫 OmniVoice-Studio,今年四月开源。
— 仓库首页,Star 与许可证
我更愿意把它的定位说准一点。它不是做了个声音克隆的界面,是把一个按字符收费的云端语音服务,整块搬到了 localhost。 连接口都照着那套写,改一行地址就能换过去。
打开就是一张工作台,左边一排功能,右边是当前任务的参数区。
— 默认工作区,左边一排功能入口
它不是单个语音模型,更像个壳子,里面装着十几个合成引擎和十来个识别引擎,默认那个叫 OmniVoice,出自 k2-fsa 团队,官方语言目录覆盖 646 种语言。
装哪个引擎看机器。苹果芯片、英伟达显卡、纯 CPU 都能跑,差别在速度;应用会自己检测显卡,装的时候按需挑。
桌面端三个系统都有包,另外给了 Docker 镜像,扔到服务器上跑也行,手机和平板通过局域网访问同一个工作台。官方的 Pro 和 Cloud 是可选项,不装也能把上面这些活干完。
ruoyi-vue-pro
基于 Spring Boot + MyBatis Plus + Vue & Element & Ant Design 实现的后台管理系统 + 用户小程序,RBAC权限、数据权限、SaaS多租户、商城、支付、审批工作流、大屏报表、ERP、CRM、WMS、MES、HRM、EAM、OA、FMS、PMS、AI大模型、AI工作流、AI Agent、IoT物联网、IM实时聊天等功能
项目地址:https://github.com/YunaiV/ruoyi-vue-pro
视频教程:https://doc.iocoder.cn/video/
声音克隆 。拖一段干净录音进去,就能复刻出一个音色。官方说 5 到 15 秒最稳,3 秒是下限,能跑但看运气。克隆好的声音存成档案,起个名字,以后生成、配音、有声书都能直接调,不用每次重新喂素材。
— 克隆工作区,拖录音进去就能复刻
有个细节值得说。它基本是照着参考音原样复刻,你喂带混响带底噪的录音,出来的声音也带着混响和底噪。所以素材尽量选单人、近距离、无背景音乐。
声音设计 。没有真人录音也行,用文字描述一个新音色,性别、年龄、口音、音高、语速、情绪都能写进去。做有声书缺配角时,这一条特别省事,写一句「中年男声,语速偏慢,带点沙哑」,出来就能试听。
— 用文字描述一个新音色
视频配音 。视频丢进去或贴个链接,它自己做转录、翻译、区分说话人,再重新配音导出 MP4。多人对话会按说话人分配不同声音,人声和背景音分开处理,原片环境音能留住。视频多的话,批量队列排着跑。
— 视频配音,转录翻译配音一次走完
听写
。全局快捷键,在任何应用里按一下开口说话,说完自动转成文字贴进当前输入框,不用切窗口。
有声书 。EPUB、PDF、长文本都能导,自动分章节,给不同角色分配不同声音,最后导出带章节标记的 m4b。
yudao-cloud
基于 Spring Cloud Alibaba + Gateway + Nacos + RocketMQ + Vue & Element & Ant Design 实现的后台管理系统 + 用户小程序,RBAC权限、数据权限、SaaS多租户、商城、支付、审批工作流、大屏报表、ERP、CRM、WMS、MES、HRM、EAM、OA、FMS、PMS、AI大模型、AI工作流、AI Agent、IoT物联网、IM聊天等功能
项目地址:https://github.com/YunaiV/yudao-cloud
视频教程:https://doc.iocoder.cn/video/
模型目录在应用里,装、卸、切换都是点一下,下载支持断点续传,网络断了接着下。显卡好就上大引擎,机器一般换个轻量的,不必一次全下。同一个功能换引擎不用改流程,选完直接重跑。
— 模型目录,装哪个点哪个
对开发者更实用的是它在本地起了一个 OpenAI 兼容的音频接口。原来调云端语音的脚本,把 base_url 指过来就能跑,业务代码几乎不用改。它还带 MCP 服务,能把语音能力接进自己的 Agent 流程。
新加的几样也挺顺手。人声分离把一段混音拆成人声和伴奏,说话人分离能标出多人对话里谁在什么时候说,导出时还能加水印标明是 AI 合成。监听文件夹更省事,往指定目录里丢文件,它自己排队处理完。
去 Releases 下载对应系统的包,Windows 是 MSI,macOS 是 DMG,Linux 有 AppImage。
— Releases 页面的安装包
git clone https://github.com/debpalash/VoiceStudio.git
cd VoiceStudio
bun install
cd electron
bun run dev
第一次启动它会自己创建 Python 环境、下载默认模型,这一步要等一阵,看网速和机器。装完先拖一段录音试一次,能出结果就说明整条链路通了。
硬件门槛不算高。最低 8GB 内存、10GB 硬盘能跑起来,建议 16GB 以上;要高保真克隆或者批量配音
,8GB 以上显存会稳很多。没独显也能玩,选面向 CPU 的轻量引擎就行,接受它慢一点。
硬盘那块要留余量,应用本身不大,占地方的是模型,装三个引擎就是好几个 G,下之前看一眼体积。
采访录音、没公开的样片、客户的素材,这类东西本来就不该传到别人服务器上。这是本地处理方案最直接的价值。
做自媒体要批量配音的、整理访谈稿的、给视频做多语言版本的,都能用得上。做有声书的人尤其合适,一本书几十个角色,人工找配音要很久,这里一个下午能排完。
应用本身是 AGPL-3.0,模型权重各有各的许可,商用之前看一眼对应模型那张卡就行。
仓库在 https://github.com/debpalash/VoiceStudio ,官网 voicestudio.sh。
欢迎加入我的知识星球,全面提升技术能力。
👉 加入方式,“长按”或“扫描”下方二维码噢:

星球的内容包括:项目实战、面试招聘、源码解析、学习路线。
文章有帮助的话,在看,转发吧。
谢谢支持哟 (*^__^*)