\n | 功能 | 说明 |
|---|
\n | 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 |
\n | 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 |
\n | 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 |
\n | 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 |
\n | 音频剪辑 | 切割、剪静音（按响度自动去水分）、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 |
\n | 音频后期 | 混音台（垫音 / 低切 / 音量包络）、自动切高潮、口播闪避 |
\n | 格式工厂 | 视频 / 音频 / 图片在线转换与压缩，免费 |
\n | 机器翻译 | 32 语种互译、自动检测源语言、术语定制 |
\n | 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 |
\n | 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；一键烧录进视频出成片 |
\n | 计费测算 | 各引擎刊例价同量对比，用前先算账 |
\n | 素材 | 音乐五源搜索 / 排行榜 / 歌单 / MV、视频链接下载；音乐行内直达伴奏人声与切高潮，视频一键场景切点检测（附联络表拼图） |
\n | 工作流 | 拖拽把工具串成流程，服务端一次跑完（页面可关）：输入源（歌曲搜索 / 链接 / 文本 / 文件）连工具节点，内置「链接→字幕成片」「歌曲→伴奏人声」「文案→播客」等模板，可保存自己的编排反复运行、改输入重跑 |
\n | AI 助手 | 全站悬浮对话窗，直接复用已配置的 API Key |
\n
\n\n> **项目仍在探索期**：功能与接口形态还在快速演进，版本间可能出现不兼容变更或较大的形态重构，升级前请留意 Release 说明。\n\n## 快速开始\n\n### 桌面应用（推荐）\n\n从 [Releases](https://github.com/yann0917/voxbox/releases) 下载最新的 `desktop-v*` 版本：\n\n| 平台 | 文件 |\n|---|---|\n| macOS（Apple Silicon） | `VoxBox_*_aarch64.dmg` |\n| macOS（Intel） | `VoxBox_*_x64.dmg` |\n| Windows | `VoxBox_*_x64-setup.exe` |\n\n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。\n\n> **Windows 首次运行**：SmartScreen 弹窗点「更多信息」→「仍要运行」。\n\n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。\n\n### Web 控制台（自托管）\n\n从 [Releases](https://github.com/yann0917/voxbox/releases) 下载 `v*` 版本对应平台的 zip，解压即得单个可执行文件：\n\n```bash\n./voxbox serve --port 8081\n# 浏览器打开 http://127.0.0.1:8081\n```\n\n> macOS 下若提示「Apple could not verify」，执行 `xattr -d com.apple.quarantine ./voxbox` 移除隔离属性即可。\n\n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`。\n\n### 数据保存位置\n\n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）。\n\n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。\n\n### 本地推理模型\n\n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。\n\n**语音识别（ASR）**\n\n| 模型 | 大小 | 适用场景 |\n|---|---|---|\n| 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 |\n| 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 |\n\n**语音合成（TTS）**\n\n| 模型 | 大小 | 适用场景 |\n|---|---|---|\n| 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 |\n| 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 |\n| 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 |\n| 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 |\n| 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 |\n| 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 |\n| 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 |\n\n### 命令行\n\n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）：\n\n```bash\nvoxbox tts \"你好，voxbox\" --out hello.mp3 # 文本转语音\nvoxbox asr meeting.mp3 --out transcript.txt # 音频转文字\nvoxbox podcast \"聊聊本地大模型\" --speakers <音色A>,<音色B> --out podcast.mp3\nvoxbox separate song.mp3 --engine gsgc --stems both # 人声伴奏分离（免费通道）\nvoxbox translate \"你好，世界\" --to en --out en.txt # 机器翻译\n```\n\n完整命令与参数见 [CLI 完整参考](skills/voxbox/references/cli.md)，或 `voxbox <命令> --help`。\n\n### 让 AI Agent 接入\n\n```bash\nvoxbox skill install # 把能力说明装进本机 agent（Claude Code / WorkBuddy / CodeBuddy）\nvoxbox mcp # stdio MCP server，Claude Code 等 MCP 客户端可直连\n```\n\nMCP 接入配置见 [docs/mcp.md](docs/mcp.md)。\n\n## 云端凭证\n\n| 平台 | 需要什么 | 覆盖能力 |\n|---|---|---|\n| 火山引擎 | APP ID + Access Token，或新版 API Key | 合成 / 识别 / 播客 / 翻译 / 妙记 |\n| 火山 AI MediaKit | MediaKit API Key（独立） | 人声背景分离 |\n| 千问 / 小米 / 智谱 | 各一个 API Key | 合成与识别备选引擎 |\n| OpenRouter | 一个 API Key（[openrouter.ai](https://openrouter.ai/settings/keys) 创建） | Gemini TTS 合成备选引擎 |\n| MVSep | API Token（[mvsep.com](https://mvsep.com) 注册获取） | 120+ 分离算法 |\n| 格式工厂 / 转换猫 | 无需凭证 | 免费分离与格式转换 |\n| 本地推理 | 无需凭证 | 离线合成与识别 |\n\n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。\n\n## 给开发者\n\n```bash\nmake all # 构建前端 + 编译单二进制到 bin/voxbox\nmake test # Go 测试全量\nmake dist # 交叉编译五个平台打包到 dist/\n```\n\n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）。\n\n- [UI 设计规范](design-system/voxbox/MASTER.md)：色彩 / 字体 / 间距 / 组件规格\n- [MCP Server](docs/mcp.md)：`voxbox mcp` 接入配置与工具清单\n- [JSON 输出契约](docs/json-contract.md)：`--json` / MCP 输出的字段与稳定性承诺\n- 桌面版发布走 GitHub Actions（`.github/workflows/desktop-release.yml`），本地构建 `make desktop`\n\n## Star History\n\n![\"VoxBox\"](\"desktop/src-tauri/icons/icon.png\"){kind=icon}
\n![\"Release\"](\"https://img.shields.io/github/v/release/yann0917/voxbox?include_prereleases\")
![\"License\"](\"https://img.shields.io/github/license/yann0917/voxbox\")
![\"Ask](\"https://deepwiki.com/badge.svg\"){kind=icon}
\n![\"播客工坊\"](\"docs/images/podcast.png\")
![\"本地环境\"](\"docs/images/settings-local.png\")
![\"工作台\"](\"docs/images/workbench.png\")
![\"音频剪辑\"](\"docs/images/audio-edit.png\")