装进本机的语音 AI 工作台：配音、转写、播客、人声分离、音频剪辑、翻译——一个应用全办妥，云端引擎与本地推理兼备。
语音合成：六套引擎（火山 / 千问 / 小米 / 智谱 / OpenRouter / 本地推理）一台切换，同步、流式、长文本三通道。
人声分离：格式工厂 / 转换猫（免费）、MVSep（120+ 算法）、火山 MediaKit 四引擎可选。
 |
 |
| 播客工坊：一句话主题，双音色逐轮生成 | 本地环境：引擎与模型一键下载，离线可用 |
 |
 |
| 工作台：工具入口与运行概况 | 音频剪辑：切割合并变调，本机完成 |
| 功能 | 说明 |
|---|---|
| 语音合成 | 文本转语音：同步秒级 / 流式低延迟（20 语种 8 方言）/ 长文本 10 万字，可出 SRT 字幕，支持情感与风格指令 |
| 语音识别 | 音频转文字：本地文件或 URL，分句时间戳、SRT 字幕；极速版秒级返回，闲时版更省钱 |
| 播客工坊 | 一句话主题、长文本、网页或对话稿，双音色逐轮生成双人播客 |
| 人声分离 | 人声 / 伴奏 / 鼓 / 贝斯等分轨输出：免费通道开箱即用，MVSep 120+ 算法，MediaKit 人声背景双轨 |
| 音频剪辑 | 切割、合并、变调变速、乐调与 BPM 查询、均衡器、音量响度、淡入淡出、倒放，全部本机完成 |
| 音频后期 | 混音台（垫音 / 低切 / 音量包络）、自动切高潮、口播闪避 |
| 格式工厂 | 视频 / 音频 / 图片在线转换与压缩，免费 |
| 机器翻译 | 32 语种互译、自动检测源语言、术语定制 |
| 语音妙记 | 音视频转结构化纪要：全文总结、待办提取、章节速览 |
| 字幕工坊 | 分句时间戳转 SRT / ASS 样式字幕，卡拉 OK 逐字渲染；字幕翻译（AI / 火山 / 免费源）与双语导出、时间轴校准、中文去标点 |
| 计费测算 | 各引擎刊例价同量对比，用前先算账 |
| AI 助手 | 全站悬浮对话窗，直接复用已配置的 API Key |
从 Releases 下载最新的 desktop-v* 版本：
| 平台 | 文件 |
|---|---|
| macOS（Apple Silicon） | VoxBox_*_aarch64.dmg |
| macOS（Intel） | VoxBox_*_x64.dmg |
| Windows | VoxBox_*_x64-setup.exe |
安装打开即用，无需注册登录。剪辑、音色库、克隆合成等依赖的 FFmpeg 已内置，开箱即用。
Windows 首次运行：SmartScreen 弹窗点「更多信息」→「仍要运行」。
打开后在 设置 → 云端服务 填入各家 API Key 即可使用对应云端能力；不配任何凭证，也能用格式工厂免费通道和本地推理（设置 → 本地环境 下载引擎与模型后离线使用）。应用启动时自动检查更新，确认后一键升级。
从 Releases 下载 v* 版本对应平台的 zip，解压即得单个可执行文件：
./voxbox serve --port 8081
# 浏览器打开 http://127.0.0.1:8081macOS 下若提示「Apple could not verify」，执行
xattr -d com.apple.quarantine ./voxbox移除隔离属性即可。
凭证在 Web 设置页填写，与桌面版完全一致。也可以从源码构建：make all 产出 bin/voxbox。
模型、任务与产物、任务数据库默认保存在 ~/.voxbox/data（跟随用户主目录），可以在 Web 设置页「本地环境 → 数据保存位置」修改并重启生效；等价地直接编辑 ~/.voxbox/config.yaml 的 data_dir 键。以 VOXBOX_HOME 环境变量指定的隔离根目录优先级最高：设置后数据目录固定为 $VOXBOX_HOME/.voxbox/data，显式配置不再参与（供服务器部署与冒烟测试把配置、数据整体挪到独立目录）。
修改保存位置不会自动迁移旧数据。需要搬移时先停止服务，再把整个目录挪过去（macOS/Linux 用 mv；Windows 建议先 robocopy /L 演练再 move），模型也可以删除后在设置页重新下载。
模型在 设置 → 本地环境 一键下载，全部本机运行、数据不出设备；运行引擎（sherpa-onnx / audio.cpp）会按所装模型自动下载。
语音识别（ASR）
| 模型 | 大小 | 适用场景 |
|---|---|---|
| SenseVoice（int8） | 163MB | 中英日韩粤，自动标点；文件转写、录音笔记、字幕工坊的识别源，CPU 秒级，低配机器首选 |
| Confucius4-R2T2（q8） | 2.5GB | 30 语自动检测，支持热词与上下文；实时语音识别（边说边出字）首选；无时间戳，不适合出字幕 |
语音合成（TTS）
| 模型 | 大小 | 适用场景 |
|---|---|---|
| Kokoro 82M | 349MB | 53 个内置音色（含 8 个中文）中英混读，CPU 秒级；不支持克隆——朗读、播客最轻量的起点 |
| Chatterbox 0.5B（q8） | 2.1GB | 零样本音色克隆，英文为主 19 语（无中文），需真人参考音频 |
| Qwen3-TTS 0.6B 克隆（q8） | 2.0GB | 参考音频复刻音色的低配变体，磁盘与内存占用更小 |
| Qwen3-TTS 1.7B 克隆（q8） | 2.7GB | 3 秒参考音频复刻音色，克隆配音的主力 |
| Qwen3-TTS 预置音色（q8） | 2.8GB | 9 个预置音色 + 自然语言风格指令，不想录参考音频就用它 |
| IndexTTS 2.5（q8） | 3.5GB | 音色克隆 + 情感文本控制，中英日西阿多语——中文情感配音 |
| VoxCPM2 2B（q8） | 3.0GB | 30 语含 9 种中文方言；克隆、无参考直读与音色设计（文字描述造音色），48kHz 输出 |
同一个可执行文件也是 CLI，适合脚本与自动化（加 --json 输出机器可读结果）：
voxbox tts "你好，voxbox" --out hello.mp3 # 文本转语音
voxbox asr meeting.mp3 --out transcript.txt # 音频转文字
voxbox podcast "聊聊本地大模型" --speakers <音色A>,<音色B> --out podcast.mp3
voxbox separate song.mp3 --engine gsgc --stems both # 人声伴奏分离（免费通道）
voxbox translate "你好，世界" --to en --out en.txt # 机器翻译完整命令与参数见 CLI 完整参考，或 voxbox <命令> --help。
voxbox skill install # 把能力说明装进本机 agent（Claude Code / WorkBuddy / CodeBuddy）
voxbox mcp # stdio MCP server，Claude Code 等 MCP 客户端可直连MCP 接入配置见 docs/mcp.md。
| 平台 | 需要什么 | 覆盖能力 |
|---|---|---|
| 火山引擎 | APP ID + Access Token，或新版 API Key | 合成 / 识别 / 播客 / 翻译 / 妙记 |
| 火山 AI MediaKit | MediaKit API Key（独立） | 人声背景分离 |
| 千问 / 小米 / 智谱 | 各一个 API Key | 合成与识别备选引擎 |
| OpenRouter | 一个 API Key（openrouter.ai 创建） | Gemini TTS 合成备选引擎 |
| MVSep | API Token（mvsep.com 注册获取） | 120+ 分离算法 |
| 格式工厂 / 转换猫 | 无需凭证 | 免费分离与格式转换 |
| 本地推理 | 无需凭证 | 离线合成与识别 |
凭证、任务与产物都保存在本机数据目录，不上传、不同步；只有你主动使用的云端能力才会把内容发给对应服务商。
make all # 构建前端 + 编译单二进制到 bin/voxbox
make test # Go 测试全量
make dist # 交叉编译五个平台打包到 dist/单二进制：前端产物 go:embed 内嵌，SQLite 存状态，零外部依赖，可交叉编译。技术栈：Go（gin / gorm / cobra）· React 19 + TypeScript + Vite + Tailwind CSS v4 · Tauri 2（桌面壳）。
- UI 设计规范：色彩 / 字体 / 间距 / 组件规格
- MCP Server：
voxbox mcp接入配置与工具清单 - JSON 输出契约：
--json/ MCP 输出的字段与稳定性承诺 - 桌面版发布走 GitHub Actions（
.github/workflows/desktop-release.yml），本地构建make desktop
MIT.