Skip to content
Conduit

skill

voxbox

语音处理工具箱，支持豆包语音、千问、小米、智谱、minimax、OpenRouter等平台接入。也可接入 indexTTS-2.5, QWen3-TTS等本地语音识别语音合成大模型。

yann0917/voxboxcommunitylistedunreviewed
Use skill

Set up

Skills are installed by placing their folder where your agent loads skills.

Download ZIP from GitHub Open the repository

The download comes from github.com/yann0917/voxbox itself, not from our server, so what you get is exactly what its author published.

Install instructions come from the README

Skills do not use an MCP config. Follow the steps in the README below.

README

synced Oct 25, 2026

界面一览

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。

能做什么

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。

快速开始

桌面应用（推荐）

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
WindowsVoxBox_*_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。

Web 控制台（自托管）

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://127.0.0.1:8081

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。

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。

数据保存位置

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。

本地推理模型

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）2.5GB30 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 82M349MB53 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）2.7GB3 秒参考音频复刻音色，克隆配音的主力
Qwen3-TTS 预置音色（q8）2.8GB9 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）3.0GB30 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

命令行

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。

让 AI Agent 接入

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。

云端凭证

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 MediaKitMediaKit 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
MVSepAPI 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。

给开发者

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

Star History

License

MIT.

↑↓ navigate openesc close