Voicebox míří na problém, který u hlasových AI nástrojů řeší skoro každý: jak dostat kvalitní syntézu a klonování hlasu bez posílání dat do cizího cloudu. Jde o open-source desktopový nástroj, který běží lokálně a kombinuje klonování hlasu, generování řeči, úpravy zvuku i skládání více hlasů do jednoho projektu. Prakticky to znamená alternativu k ElevenLabs pro lidi, kteří chtějí větší kontrolu nad daty, modelem i výsledným workflow.
Za projektem stojí Jamie Pine a otevřená komunita kolem repozitáře voicebox na GitHubu. Na webu projektu je Voicebox popsaný jako open-source voice cloning studio a repozitář během dubna 2026 nasbíral přes 19 tisíc stars a více než 2 tisíce forků, takže nejde o okrajový experiment, ale o viditelný komunitní projekt s rychlým vývojem. Poslední release 0.4.0 vyšel 16. dubna 2026.
Pro uživatele je podstatné hlavně to, že Voicebox nesází na jeden model. Aktuálně integruje více TTS enginů, mezi nimi Qwen3-TTS, LuxTTS, Chatterbox Multilingual, Chatterbox Turbo, HumeAI TADA a na webu i Kokoro a Qwen CustomVoice. Díky tomu si lze vybrat mezi kvalitou, rychlostí, podporou jazyků nebo delší koherentní generací. Projekt uvádí podporu až 23 jazyků, klonování hlasu z několika sekund audia a také REST API pro napojení do vlastních aplikací.
Zajímavý je i způsob, jak Voicebox skládá celé workflow do jednoho rozhraní. Nejde jen o text-to-speech okno, ale o editor s více stopami pro dialogy nebo podcasty, efekty jako pitch shift, reverb nebo delay a automatické dělení delších textů na části, které pak spojí crossfadem. U dlouhých vstupů to obchází typický problém, kdy TTS modely začnou na delším textu ztrácet konzistenci. Maximální délka generovaného textu je podle projektu 50 tisíc znaků.
Čísla dávají lepší představu o tom, kam je nástroj mířený. LuxTTS má podle projektu běžet až 150× realtime na CPU, Kokoro je prezentované jako 82M model s téměř nulovými nároky na VRAM a TADA má zvládat přes 700 sekund souvislého audia. Voicebox zároveň staví na Tauri místo Electronu a uvádí podporu pro macOS, Windows, Linux, Docker i více GPU backendů včetně CUDA, ROCm a Intel Arc. Právě kombinace lokálního běhu, více modelů a použitelných produkčních funkcí dělá z Voiceboxu zajímavější projekt než jen další demo kolem voice cloningu.
Zdroje:
