开源声音克隆工具测评：5K星无GPU跑646种语言一键安装

ElevenLabs的语音克隆效果确实出色，但定价对个人用户而言负担过重。近期音频克隆领域鲜有突破性项目，不过今天这个工具确实令人惊艳——功能完备，且对低显存环境极度友好，全面覆盖Win/Mac/Linux三大平台。

该项目上线后迅速斩获5000+星标，社区热度足以验证其实力。

项目概览

先明确定位——OmniVoice Studio作为ElevenLabs的开源替代方案，完全本地运行，支持语音克隆、声音设计、语音合成、影视配音以及实时听写。

市面上许多标榜本地运行的开源音频工具，要么配置流程复杂到劝退新手，要么前端UI简陋到无法落地使用。OmniVoice Studio直接提供跨平台桌面客户端，并原生支持646种语言的语音克隆，这一覆盖范围在当前开源项目中极为罕见。

运行机制：

1. 最低内存要求仅为4GB。若内存≤8GB，TTS模型在转录过程中会自动卸载至CPU运行。
2. 内存≥8GB时，全部运算均在GPU上完成，效率显著提升。
3. 即便没有独立GPU，CPU模式仍可运行，仅TTS速度降低约3倍。

核心功能

零样本语音克隆

无需微调训练。只需导入一段3秒的目标音频样本，系统即可快速复刻音色。这意味着技术门槛极低，任何人拿一段音频就能立刻上手。

声音设计

用户可直接调节声音的性别、年龄、口音、音高、语速、情感甚至地域方言。生成的声纹自动保存至本地声音画廊，随时调用。

电影级视频自动配音

内置多模态管线，支持直接导入YouTube链接或本地MP4文件。系统自动分离人声与背景音，随后进行说话人识别、文本切片，最后通过克隆音色一键重组并输出新语种的视频。整个流程对硬件要求友好，非常适合个人创作者或小型工作室。

全局悬浮听写组件

按下全局快捷键，唤起一个毛玻璃悬浮窗。直接说话，系统通过本地WebSocket进行流式语音识别，自动将识别文字粘贴至当前光标所在的任意输入框。该功能对内容创作者或高频笔记场景极其实用。

原生MCP支持

内置MCP服务端，可在Claude Desktop、Cursor或其他AI Agent客户端中一键配置，直接调用本地OmniVoice语音能力。这使得在AI工作流中集成语音功能变得异常简洁。

多后端引擎、极低硬件门槛

除默认模型外，系统还集成阿里CosyVoice 3、针对苹果M芯片优化的MLX-Audio（内含Kokoro、Qwen3-TTS）等后端。内置显存智能感知离线机制——当显存小于8GB时，系统自动将TTS模型移出显存由CPU接管，彻底杜绝显存溢出崩溃问题。这正是该项目的核心优势，许多同类项目都忽略了这一痛点。

项目地址

https://github.com/debpalash/OmniVoice-Studio

来源：互联网