voicebox — Open-Source AI Voice Studio
Voicebox (52K⭐ verificado 2026-09-05) es un estudio de voz AI local-first, gratuito y open-source (MIT), alternativo a ElevenLabs + WisprFlow combinados.
Filosofía
- Privacidad total: modelos, datos de voz y capturas nunca salen de tu máquina
- Stack completo de voz I/O: clonación, generación TTS, dictado global, transcripción STT, agentes con voz
- Nativo: construido con Tauri (Rust), no Electron
- Multi-plataforma: macOS (Apple Silicon con MLX/Metal), Windows (CUDA), Linux (AMD ROCm, Intel Arc, CPU), Docker
Instalación
# Descarga directa
# macOS ARM: https://voicebox.sh/download/mac-arm
# macOS Intel: https://voicebox.sh/download/mac-intel
# Windows: https://voicebox.sh/download/windows
# Docker: docker compose up
# Desde fuente (desarrollo)
git clone https://github.com/jamiepine/voicebox.git
cd voicebox
just setup # crea venv, instala deps Python + JS
just dev # inicia backend + app desktop
7 Motores TTS
| Motor |
Modelos |
Clonación |
Idiomas |
Tamaño |
Características |
| Qwen3-TTS |
0.6B / 1.7B |
Sí (zero-shot 10s) |
10 (es incluido) |
1.2-3.5 GB |
Mayor calidad, cloning de voz |
| Qwen CustomVoice |
0.6B / 1.7B |
Preset speakers |
10 |
1.2-3.5 GB |
Instruct support (control de delivery) |
| LuxTTS |
luxtts |
Sí (zero-shot 3s) |
Inglés |
~300 MB |
CPU-friendly, 48kHz, 150x realtime en CPU |
| Chatterbox Multilingual |
chatterbox-tts |
Sí (zero-shot 5s) |
23 idiomas |
~3.2 GB |
Mayor cobertura lingüística |
| Chatterbox Turbo |
chatterbox-turbo |
Sí (zero-shot 5s) |
Inglés |
~1.5 GB |
Paralinguistic tags ([laugh], [sigh]), baja latencia |
| HumeAI TADA |
1B / 3B Multilingual |
Sí (zero-shot) |
EN (1B), 10 (3B) |
4-8 GB |
Modelo speech-language, audio 700s+ |
| Kokoro |
82M |
Preset (50+ voces) |
8 (es incluido) |
350 MB |
CPU realtime, Apache 2.0 |
REST API (localhost:17493)
# Generar speech
curl -X POST http://127.0.0.1:17493/generate \
-H "Content-Type: application/json" \
-d '{"text": "Hola mundo", "profile_id": "abc123", "language": "es"}'
# Agent voice output — cualquier app puede hablar en voz clonada
curl -X POST http://127.0.0.1:17493/speak \
-H "X-Voicebox-Client-Id: my-script" \
-d '{"text": "Deploy complete.", "profile": "Morgan"}'
# Transcribir audio
curl -X POST http://127.0.0.1:17493/transcribe \
-F "audio=@recording.wav" \
-F "model=whisper-turbo"
MCP Server
4 herramientas: voicebox.speak, voicebox.transcribe, voicebox.list_captures, voicebox.list_profiles
claude mcp add voicebox \
--transport http \
--url http://127.0.0.1:17493/mcp \
--header "X-Voicebox-Client-Id: claude-code"
Post-Processing Effects (8 efectos)
Pitch Shift, Reverb, Delay, Chorus/Flanger, Compressor, Gain, High-Pass Filter, Low-Pass Filter
Casos de Uso para Mastermind
- TTS local — alternativa a edge-cloud sin límites de API
- Voces personalizadas — clonación de voz para agentes
- Integración MCP — agentes AI hablan con voces clonadas
- Dictado global — hotkey para dictar en cualquier app
- CI/CD voice notifications — notificaciones por voz desde shell scripts
- Producción de contenido — generación masiva de speech
Stack Tecnológico
- Desktop App: Tauri (Rust)
- Frontend: React, TypeScript, Tailwind CSS, Zustand
- Backend: FastAPI (Python)
- Inference: MLX (Apple Silicon) / PyTorch (CUDA/ROCm/XPU/CPU)
- Database: SQLite
Recursos
1---2name: voicebox3description: Voicebox — Estudio de voz AI local-first open-source. 7 motores TTS, clonación de voz, dictado global, transcripción STT, integración MCP. Alternativa local a ElevenLabs.4license: MIT5---67# voicebox — Open-Source AI Voice Studio89Voicebox (52K⭐ verificado 2026-09-05) es un estudio de voz AI local-first, gratuito y open-source (MIT), alternativo a ElevenLabs + WisprFlow combinados.1011## Filosofía12- **Privacidad total**: modelos, datos de voz y capturas nunca salen de tu máquina13- **Stack completo de voz I/O**: clonación, generación TTS, dictado global, transcripción STT, agentes con voz14- **Nativo**: construido con Tauri (Rust), no Electron15- **Multi-plataforma**: macOS (Apple Silicon con MLX/Metal), Windows (CUDA), Linux (AMD ROCm, Intel Arc, CPU), Docker1617## Instalación1819```bash20# Descarga directa21# macOS ARM: https://voicebox.sh/download/mac-arm22# macOS Intel: https://voicebox.sh/download/mac-intel23# Windows: https://voicebox.sh/download/windows24# Docker: docker compose up2526# Desde fuente (desarrollo)27git clone https://github.com/jamiepine/voicebox.git28cd voicebox29just setup # crea venv, instala deps Python + JS30just dev # inicia backend + app desktop31```3233## 7 Motores TTS3435| Motor | Modelos | Clonación | Idiomas | Tamaño | Características |36|-------|---------|-----------|---------|--------|----------------|37| **Qwen3-TTS** | 0.6B / 1.7B | Sí (zero-shot 10s) | 10 (es incluido) | 1.2-3.5 GB | Mayor calidad, cloning de voz |38| **Qwen CustomVoice** | 0.6B / 1.7B | Preset speakers | 10 | 1.2-3.5 GB | **Instruct support** (control de delivery) |39| **LuxTTS** | luxtts | Sí (zero-shot 3s) | Inglés | ~300 MB | CPU-friendly, 48kHz, 150x realtime en CPU |40| **Chatterbox Multilingual** | chatterbox-tts | Sí (zero-shot 5s) | **23 idiomas** | ~3.2 GB | Mayor cobertura lingüística |41| **Chatterbox Turbo** | chatterbox-turbo | Sí (zero-shot 5s) | Inglés | ~1.5 GB | **Paralinguistic tags** ([laugh], [sigh]), baja latencia |42| **HumeAI TADA** | 1B / 3B Multilingual | Sí (zero-shot) | EN (1B), 10 (3B) | 4-8 GB | Modelo speech-language, audio 700s+ |43| **Kokoro** | 82M | Preset (50+ voces) | 8 (es incluido) | **350 MB** | CPU realtime, Apache 2.0 |4445## REST API (localhost:17493)4647```bash48# Generar speech49curl -X POST http://127.0.0.1:17493/generate \50 -H "Content-Type: application/json" \51 -d '{"text": "Hola mundo", "profile_id": "abc123", "language": "es"}'5253# Agent voice output — cualquier app puede hablar en voz clonada54curl -X POST http://127.0.0.1:17493/speak \55 -H "X-Voicebox-Client-Id: my-script" \56 -d '{"text": "Deploy complete.", "profile": "Morgan"}'5758# Transcribir audio59curl -X POST http://127.0.0.1:17493/transcribe \60 -F "audio=@recording.wav" \61 -F "model=whisper-turbo"62```6364## MCP Server654 herramientas: `voicebox.speak`, `voicebox.transcribe`, `voicebox.list_captures`, `voicebox.list_profiles`6667```bash68claude mcp add voicebox \69 --transport http \70 --url http://127.0.0.1:17493/mcp \71 --header "X-Voicebox-Client-Id: claude-code"72```7374## Post-Processing Effects (8 efectos)75Pitch Shift, Reverb, Delay, Chorus/Flanger, Compressor, Gain, High-Pass Filter, Low-Pass Filter7677## Casos de Uso para Mastermind781. **TTS local** — alternativa a edge-cloud sin límites de API792. **Voces personalizadas** — clonación de voz para agentes803. **Integración MCP** — agentes AI hablan con voces clonadas814. **Dictado global** — hotkey para dictar en cualquier app825. **CI/CD voice notifications** — notificaciones por voz desde shell scripts836. **Producción de contenido** — generación masiva de speech8485## Stack Tecnológico86- Desktop App: Tauri (Rust)87- Frontend: React, TypeScript, Tailwind CSS, Zustand88- Backend: FastAPI (Python)89- Inference: MLX (Apple Silicon) / PyTorch (CUDA/ROCm/XPU/CPU)90- Database: SQLite9192## Recursos93- GitHub: https://github.com/jamiepine/voicebox94- Docs: https://docs.voicebox.sh95- Licencia: MIT
ntizar