做视频解说或录制教程时，配音往往比想象中费时间。一段内容录了几遍，好不容易说顺了，稿子又要改。重新补录，还得尽量保持和前面一致的语气、音量与录音环境。
如果能保留自己的音色，修改文字后直接生成新的配音，后续改稿就会方便不少。
这次介绍的 Voicebox，就是一款支持声音克隆的免费开源工具。它可以根据参考录音生成相应音色，再把输入的文字读出来。软件已经加入中文界面，也能生成中文语音，可以安装在电脑上本地使用。
Voicebox 是什么？
Voicebox 是一款本地 AI 语音工作室，集成了声音克隆、文字转语音、音色管理和多轨音频编辑等功能。
对普通用户来说，它最实用的地方，是把原本需要分别配置的语音模型放进了一个图形界面。创建音色、输入文稿、生成和试听，都能在软件里完成，使用官方桌面安装包不需要自己从头搭建开发环境。
例如，你经常制作软件教程，就可以先用自己的录音建立一个音色档案。之后写好解说词，选择这个音色生成配音；某一段需要修改，再调整文字重新生成即可。
不过，声音克隆能还原多少音色特点，仍然取决于参考录音和所选模型。语气、停顿与重音也需要试听调整，不能保证每次生成都和本人录音一样。
已经支持中文，操作更容易上手
Voicebox 已经提供简体中文和繁体中文界面，可以在应用内切换语言。音色管理、项目编辑、对话框和提示信息都有对应翻译，初次使用时更容易理解各项设置。
中文配音也有支持。选择 Qwen3-TTS 或 Chatterbox Multilingual 等支持中文的模型，就可以输入中文文稿生成语音。
第一次使用不必把所有模型都下载一遍。想尝试中文声音克隆，可以先从 Qwen3-TTS 开始，完成一小段配音后，再决定是否需要换模型比较效果。
录一段自己的声音，建立可重复使用的音色
Voicebox 支持上传音频，也可以直接通过麦克风录制参考声音。保存为音色档案后，后续生成配音时就能继续使用。
准备素材时，建议按照官方文档录制 10 至 30 秒清晰、自然的单人讲话。内容可以是一段日常介绍，也可以是自己熟悉的解说稿，尽量保持正常说话的语速。
录音不需要复杂的制作，但要尽量避开背景音乐、明显回声和其他人的声音。与其找一段经过配乐和音效处理的视频片段，不如在安静的房间里重新录一小段。
有些介绍会强调“几秒钟克隆声音”，这里说的是参考录音的长度。实际生成需要多久，还要看电脑配置、模型和文稿长度。
写好文稿，就能生成中文配音
音色准备好以后，接下来的操作比较直观：选择音色与模型，输入需要朗读的文字，生成后试听。
这套方式适合经常修改内容的工作。例如软件操作步骤更新了，产品介绍换了一句话，或者视频开场需要重新写，都可以先生成对应段落，再放回剪辑项目中。
如果只是需要一段旁白，不想录制参考声音，Voicebox 也提供预设音色。选择支持目标语言的预设即可开始，不必先做声音克隆。
建议第一次只输入两三句话，听听发音、语速和停顿是否合适。确认效果后，再处理完整文稿，会比一次生成整篇更容易调整。
多角色内容，也能放在同一个项目里整理
除了单段文字配音，Voicebox 还提供 Stories 编辑器，可以把不同音色生成的片段放进多轨时间线，调整顺序、位置与间隔。
比如制作一段问答式教程，可以分别生成提问和回答；制作故事音频，可以给旁白和角色使用不同音色，再把片段组织起来。
软件还提供生成历史和音频效果处理。需要比较不同版本，或者给片段做一些简单调整时，可以在同一个工具中完成。最终涉及视频画面、字幕与配乐的制作，再交给常用剪辑软件处理即可。
本地运行，不按配音字数收费
Voicebox 本身免费开源。使用本地模型生成配音，不需要购买语音 API 额度，也没有按字数扣费的使用方式。
首次使用需要联网下载模型。准备完成后，在本地模式下，声音克隆和语音生成可以由自己的电脑完成，参考录音与生成音频也保存在本地。
对于需要反复试听、修改文稿的人，这种方式比较实用：可以根据效果多生成几个版本，不必每次都考虑剩余配音额度。
相应地，计算任务也落在自己的电脑上。配置较低的设备可以尝试较小模型，但生成速度与能够使用的模型会受到硬件限制。
下载安装与使用步骤
Voicebox 官网提供 Windows 和 macOS 下载入口。Linux 用户目前需要参考源码构建或 Docker 部署说明，普通用户优先选择对应系统的桌面安装包。
- 进入官网，下载并安装适合自己电脑的 Voicebox 版本。
- 打开软件，按需将界面切换为简体中文。
- 创建音色档案，上传参考录音或使用麦克风录制。
- 检查参考录音对应的文本，修正识别错误。
- 选择支持中文声音克隆的模型，按照提示完成模型下载。
- 输入一小段中文文稿，生成后试听，满意后再继续制作。
模型下载和首次加载可能需要一些时间。官方建议使用 16GB 或以上内存，并预留 10GB 以上磁盘空间；如果准备下载多个模型，还需要更多空间。CPU 也能运行，但通常比使用兼容 GPU 更慢。
让配音更自然，可以先改好这几处
除了参考录音，文稿本身也会影响配音效果。适合阅读的长句，直接读出来未必顺畅。
把长句拆开。 一句话里放了太多信息，可以分成两三句，用标点明确停顿位置。教程类内容尤其适合按操作步骤分段。
把数字写成希望读出的形式。 日期、版本号、缩写和单位容易出现不同读法。如果生成结果不对，可以改成更明确的中文表达，再单独试听。
先确认语气，再批量生成。 用同一段短文比较音色和模型，选好以后再处理长稿，更容易保持整段内容一致。
如果希望用 AI 整理配音稿，也可以直接使用下面这段要求：
“请把以下文字改成适合普通话口播的配音稿。保留原意、事实、数字和软件名称，拆分过长句子，补充自然停顿，不添加宣传语，只输出修改后的文稿。”
修改完成后仍要核对内容，尤其是软件名称、操作步骤和专业术语。
适不适合日常使用？
如果你经常制作视频解说、录屏教程或有声内容，希望保留自己的音色，又愿意花一点时间准备录音和试听调整，Voicebox 是一个值得尝试的本地配音工具。
它比较吸引人的组合是：免费开源、支持中文、音色可以重复使用，生成过程也能放在自己的电脑上完成。对反复改稿的内容创作者来说，这些功能比单纯追求“克隆得有多像”更有实际价值。
如果只是偶尔生成一句语音，不想下载模型，也不愿等待本地计算，在线配音服务会更省准备时间。
使用时请采用自己的声音或获得授权的录音。涉及商业项目，还应查看所选语音模型的许可条款，软件本身开源不代表所有模型的使用条件完全相同。
官方相关链接
- Voicebox 官网：https://voicebox.sh/
- Voicebox 官方下载：https://voicebox.sh/download
- GitHub 开源仓库：https://github.com/jamiepine/voicebox
- 版本与更新说明：https://github.com/jamiepine/voicebox/releases
- 安装说明：https://docs.voicebox.sh/overview/installation
- 声音克隆教程：https://docs.voicebox.sh/overview/voice-cloning