Voicebox 0.5.0 for Mac是一款开源的本地优先AI语音工作室，由Jamie Pine开发，完全在设备上运行，无需云服务、账号或订阅。它把Mac变成一个既能克隆声音又能生成语音、还能听写文本的完整语音工具，作为ElevenLabs和WisprFlow的免费本地替代方案。一切处理都留在本机，模型、音频、转录和LLM输出都不会离开设备。
Voicebox 0.5.0 for Mac 破解版下载
这个版本被称为Capture发布，让软件从单纯的语音克隆工作室升级成完整的AI语音工作室。用户可以在任何地方按住快捷键说话，松开后转录文本会直接进入当前焦点文本框。反过来，任何支持MCP的智能体也能通过克隆的声音在屏幕上发声。中间有一个本地LLM负责清理转录并让语音档案带上个性，从而重塑智能体要说的内容。
听写功能让说话变成任何应用的输入
听写是0.5.0新增的核心能力。在Mac上默认使用右Command加右Option组合键，按住后说话，松开即完成。屏幕上会出现浮动提示条，依次显示录制、转录、精炼和完成，并带实时计时。转录使用Whisper完成，可选本地LLM清理填充词、修正标点并处理自我更正，最终干净文本会粘贴到开始录制时聚焦的文本框。剪贴板内容会在粘贴前后自动保存和恢复。
支持按住说话和切换两种模式。切换模式在按住基础上加空格键，中途按空格可无缝升级成免提长时录制。快捷键可在设置中自定义，左右修饰键会分别显示。Mac默认避开左手Command加Option组合，避免与系统快捷键冲突。如果未授予辅助功能权限，听写仍可运行，转录会保存在Captures标签页，只是自动粘贴被禁用。权限提示就在设置里的自动粘贴开关旁边。
精炼模型提供三种Qwen3尺寸可选：0.6B约400MB作为默认快速选项，1.7B约1.1GB适合带代码标识的转录，4B约2.5GB质量最高但最慢。同一本地LLM也用于语音个性功能。Captures标签页保存每条录音和对应转录，可重新转录、精炼、用指定声音播放或提升为样本。
语音克隆与多引擎生成
用户只需几秒到最长30秒的参考音频即可创建语音档案，可上传文件或直接用麦克风录制。Qwen3-TTS等模型会分析音调、音色和口音，实现高保真复现。保存档案后输入文本就能生成对应语音，支持翻译时保持原调、制作配音或游戏角色对话。档案可导出分享。
内置七种TTS引擎可随时切换：Qwen3-TTS、Qwen CustomVoice、LuxTTS、Chatterbox Multilingual、Chatterbox Turbo、HumeAI TADA和Kokoro。支持零样本克隆或超过50种预设声音，覆盖从英语到阿拉伯语、日语、印地语、斯瓦希里语等23种语言。还提供音高偏移、混响、延迟、合唱、压缩和滤波等后期效果，以及笑声、叹息等副语言标签和自然语言表达控制。长文本自动分块并交叉淡入淡出。
Stories标签页升级为真正的时间线编辑器，可导入外部音频（支持wav、mp3、flac等格式，最大200MB），调整每条轨道音量，组合多轨对话、播客或叙事。
智能体发声与本地API
Voicebox内置Model Context Protocol服务器，地址为本地http://127.0.0.1:17493/mcp。Claude Code、Cursor、Windsurf、Cline等MCP兼容智能体可直接调用。提供speak、transcribe、list_captures和list_profiles四项工具。说话时屏幕同样出现提示条显示正在使用的声音档案和计时。支持为不同客户端绑定专属声音，也可通过REST接口实现脚本或自动化调用。
语音档案可添加最长2000字符的个性描述。启用后会出现创作按钮生成符合角色的新句子，以及角色化说话开关，让输入文本先经本地LLM重写再合成语音，保留原意却换成角色口吻。
系统要求与安装方式
最低要求为macOS 11或更高版本、8GB内存、5GB可用存储和现代多核处理器。推荐16GB以上内存和更多存储空间。Apple Silicon机型使用MLX和Metal加速，可比CPU快4到5倍。首次启动时选定引擎会自动下载模型，体积从约350MB的Kokoro到约8GB的TADA 3B不等，多数用户从约3.5GB的Qwen 1.7B开始。数据保存在~/Library/Application Support/sh.voicebox.app/目录。应用体积约560MB，以DMG或tar.gz形式提供Apple Silicon和Intel版本，解压后移入应用程序文件夹即可使用。内置Python后端会自动启动，无需额外安装Python。
整个软件采用Tauri、Rust和Python构建，比Electron方案更轻量，所有功能完全本地运行，适合播客制作、游戏开发、内容创作、无障碍辅助和智能体语音输出等场景。
