VoiceStudio/README_CN.md

OmniVoice Studio

开源版 ElevenLabs 替代品

实时听写、零样本语音克隆、电影级视频配音——全部在桌面端完成。
开源、无需 API 密钥、完全本地运行。支持 646 种语言。

快速开始 · 功能 · 为什么选择 OmniVoice Studio？ · TTS 引擎 · 参与贡献 · Discord · English

Warning

OmniVoice Studio 正处于活跃 Beta 阶段。 各版本之间可能出现不兼容。如需最新功能和修复，建议克隆仓库并从源码运行，而非使用预构建安装程序。欢迎提交 Bug 报告和 PR——提交 Issue 或 加入 Discord。

功能

🎙️ 语音克隆 3 秒音频 → 复制任何声音。 646 种语言，零样本。	🎨 声音设计 性别、年龄、口音、音高、语速、 情感、方言——随心调节。	🎬 视频配音 YouTube 链接或文件 → 转录 → 翻译 → 重新配音 → MP4。
⌨️ 听写工具 从任何应用中按 ⌘+⇧+Space。 转录、自动粘贴、无痕消失。	🔊 人声分离 基于 Demucs。从背景音乐中 分离人声，保留背景音。	👥 说话人分离 Pyannote + WhisperX。 自动识别谁说了什么。
📦 批量队列 一次拖入 50 个视频，然后离开。 每个任务有进度条。	🤖 MCP 服务器 从 Claude、Cursor 或 任何 MCP 客户端使用 OmniVoice。	🛡️ AI 水印 AudioSeal（Meta）。不可见， 能抵抗压缩。
🔐 完全本地 无需密钥、云端、账号。 仅限你的设备。	⚡ GPU 自动检测 CUDA · MPS · ROCm · CPU。 显存 ≤8 GB？自动卸载。	🧩 可扩展 继承 TTSBackend， 约 50 行代码添加任意引擎。

---

快速开始

选择你的方式——从零安装到完整开发者环境：

🖥️ 桌面应用 最简单 · 约 2 分钟 · 无需依赖 macOS DMG · Windows MSI · Linux AppImage/deb 首次启动自动引导 Python + 模型下载。

🐳 Docker 一条命令 · 约 3 分钟 · 需 Docker docker pull ghcr.io/debpalash/omnivoice-studio 来自 GHCR 的预构建镜像。 支持 CPU + NVIDIA GPU。

⚡ 源码运行 完全控制 · 约 5 分钟 · 需 Bun + Python git clone → bun install → bun run dev 热重载，完整代码访问。 贡献者的最佳选择。

---

🖥️ 方式 1 — 桌面应用

预构建安装程序（约 6–8 MB）在 Releases 页面。下载、安装、启动。应用会自动引导 Python 环境并下载模型——开屏画面会显示进度。

macOS — "应用已损坏，无法打开"

macOS 会隔离从 App Store 外下载的应用。拖入 /Applications 后执行：

xattr -cr /Applications/OmniVoice\ Studio.app

之后正常打开即可。一次性修复。

Windows — 首次启动需 5–10 分钟

应用首次运行时会引导 Python 虚拟环境、安装依赖并下载 ffmpeg。开屏画面会显示每一步的进度。后续启动仅需数秒。

Linux — AppImage 需要 FUSE

如果没有 FUSE，可使用 .deb 包或解压运行：

chmod +x OmniVoice.Studio_*.AppImage
./OmniVoice.Studio_*.AppImage --appimage-extract-and-run

Linux — Fedora 44 / Ubuntu 24.04 白屏

部分新发行版自带的 WebKit/GTK 版本存在合成问题。尝试：

WEBKIT_DISABLE_COMPOSITING_MODE=1 ./OmniVoice.Studio_*.AppImage

如果仍然无效，请改用 .deb 包或从源码运行。

防火墙内 / 俄罗斯地区安装失败

桌面应用首次启动时会从 GitHub 下载 Python。如果你的网络屏蔽了 GitHub：

1. 从 python.org 手动安装 Python 3.11
2. 启动前设置 UV_PYTHON_PREFERENCE=system，或从源码运行 bun run dev
3. PyPI 镜像：设置 UV_INDEX_URL=https://mirrors.aliyun.com/pypi/simple/

---

🐳 方式 2 — Docker

从 GitHub Container Registry 拉取预构建镜像：

docker pull ghcr.io/debpalash/omnivoice-studio:latest

运行：

# CPU 模式
docker run -d --name omnivoice \
  -p 127.0.0.1:3900:3900 \
  -v omnivoice-data:/app/omnivoice_data \
  ghcr.io/debpalash/omnivoice-studio:latest

# NVIDIA GPU 模式
docker run -d --name omnivoice --gpus all \
  -p 127.0.0.1:3900:3900 \
  -v omnivoice-data:/app/omnivoice_data \
  ghcr.io/debpalash/omnivoice-studio:latest

或使用 Docker Compose：

# CPU
docker compose -f deploy/docker-compose.yml up -d

# GPU
docker compose -f deploy/docker-compose.yml --profile gpu up -d

健康检查通过后打开 localhost:3900。首次运行下载约 4 GB 模型权重——进度在 docker compose logs -f 中查看。

从源码构建而非拉取

docker compose -f deploy/docker-compose.yml up --build -d

网络访问： 容器仅绑定 127.0.0.1。如需暴露到局域网，将端口映射改为 "0.0.0.0:3900:3900"。OmniVoice 没有内置认证——请将其置于反向代理之后并添加认证（Caddy basic_auth、nginx + htpasswd、Tailscale 等）。

---

⚡ 方式 3 — 源码运行

git clone https://github.com/debpalash/OmniVoice-Studio.git && cd OmniVoice-Studio
bun install && bun run dev

打开 localhost:3901 开始克隆声音。前端和后端均启用热重载。

bun run desktop    # 从源码构建原生桌面应用

服务	地址	技术栈
后端	localhost:3900	FastAPI · 97 个端点 · WhisperX · Demucs · OmniVoice
前端	localhost:3901	React · Vite · 波形时间线 · 毛玻璃 UI
API 文档	localhost:3900/docs	Scalar — 交互式 API 参考

Note

首次运行下载模型权重（约 2.4 GB）。无需账号。如需加速下载，可选在环境中设置 HF_TOKEN=hf_...（在此获取免费 Token）。

遇到问题？ 加入我们的 Discord 获取安装帮助和故障排查。

---

截图

语音克隆 拖入 3 秒音频 → 复制任何声音。646 种语言，零样本。	声音设计 从头构建新声音——性别、年龄、口音、音高、风格。
视频配音 上传或粘贴 YouTube 链接。转录、翻译、重新配音、导出。	声音库 搜索 YouTube、浏览分类、下载片段、构建你的收藏。
设置 → 模型 15 个模型。一键安装。自动检测你的平台（CUDA / MPS / CPU）。	项目 配音项目、声音配置、生成历史、导出——全部可搜索。
设置 → 日志 实时后端、前端和 Tauri 运行时日志。筛选、刷新、清除。

---

为什么选择 OmniVoice Studio？

ElevenLabs 收费 $5–$330/月，并在其服务器上处理你的音频。OmniVoice Studio 在你的硬件上运行，没有使用限制。

	ElevenLabs	OmniVoice Studio
价格	$5–$330/月，按字符计费	个人免费 · 商业许可证 面向企业
语音克隆	✅ 3 秒音频	✅ 3 秒音频，零样本
声音设计	✅ 性别、年龄	✅ 性别、年龄、口音、音高、风格、方言
语言	32	646
视频配音	✅ 仅云端	✅ 完全本地
数据隐私	音频发送到云端	数据不离开你的设备
API 密钥	需要	不需要
GPU 支持	不适用（云端）	CUDA · Apple Silicon · ROCm · CPU
桌面应用	❌	✅ macOS · Windows · Linux
可定制	❌ 闭源	✅ 可 Fork、扩展、发布

OmniVoice Studio 为你提供专业级 AI 工具，无需订阅或依赖云端。

---

系统要求

	最低配置	推荐配置
操作系统	Windows 10, macOS 12+, Ubuntu 20.04+	任意现代 64 位操作系统
内存	8 GB	16 GB+
显存（GPU）	4 GB（自动将 TTS 卸载到 CPU）	8 GB+（NVIDIA RTX 3060+）
硬盘	10 GB 可用空间（模型 + 缓存）	20 GB+ SSD
Python	3.10+（由 uv 管理）	3.11–3.12
GPU	可选——CPU 可用	NVIDIA CUDA · Apple Silicon MPS · AMD ROCm

Tip

对于显存 ≤8 GB 的 GPU，OmniVoice 会在转录期间自动将 TTS 卸载到 CPU——无需配置。不需要专用 GPU；整个流程可在 CPU 上运行（只是速度较慢）。

TTS 引擎

OmniVoice 配备多引擎 TTS 后端。默认引擎（OmniVoice）始终可用；其他引擎可选装并自动检测。在 设置 → TTS 引擎 中切换引擎，或通过 OMNIVOICE_TTS_BACKEND 环境变量设置。

引擎	语言	克隆	指令	Linux	macOS ARM	Windows	许可证
OmniVoice（默认）	600+	✅	✅	✅ CUDA/CPU	✅ MPS	✅ CUDA/CPU	内置
CosyVoice 3	9 + 18 种方言	✅	✅	✅ CUDA/CPU	✅ MPS	✅ CUDA/CPU	Apache-2.0
MLX-Audio（Kokoro, Qwen3-TTS, CSM, Dia 等）	多语言	因引擎而异	因引擎而异	❌	✅ 原生	❌	因引擎而异
VoxCPM2	30	✅	✅	✅ CUDA/CPU	✅ MPS	✅ CUDA/CPU	Apache-2.0
MOSS-TTS-Nano	20	✅	❌	✅ CUDA/CPU	✅ CPU	✅ CUDA/CPU	Apache-2.0
KittenTTS	英语	❌	❌	✅ CPU	✅ CPU	✅ CPU	MIT

CUDA = GPU 加速 · MPS = Apple Silicon Metal · CPU = 随处可运行，大模型较慢 · KittenTTS 和 MOSS-TTS-Nano 可在 CPU 上实时运行 · MLX-Audio 仅限 Apple Silicon。

---

架构

┌─────────────────────────────────────────────────┐
│                  前端 (React)                     │
│  DubTab · VoicePreview · BatchQueue · Gallery    │
├─────────────────────────────────────────────────┤
│                 后端 (FastAPI)                    │
│  97 个 API 端点 · SSE 流式 · SQLite              │
├──────────┬──────────┬──────────┬────────────────┤
│ WhisperX │  Demucs  │OmniVoice │   Pyannote     │
│  语音识别 │  音源分离 │  TTS    │  说话人分离    │
└──────────┴──────────┴──────────┴────────────────┘
        CUDA / MPS / ROCm / CPU（自动检测）

---

路线图

✅ 已发布

分类	功能
配音	完整流水线（转录→翻译→合成→封装）、场景感知分割、唇同步评分、流式 TTS
声音	零样本克隆、声音设计、A/B 比较、声音预览控件、带收藏/标签的声音库
音频	Demucs 人声分离、逐段增益、选择性轨道导出、SRT/VTT/MP3 导出
多语言	多语言批量选择器、批量配音队列（顺序 GPU 执行）
说话人分离	Pyannote 机器学习分离、自动说话人克隆提取、逐说话人声音分配
基础设施	Docker 部署、CUDA/MPS/ROCm 自动检测、cuDNN 8 兼容、显存感知模型卸载
AI 溯源	AudioSeal 不可见水印（类似 SynthID）、视频徽标叠加、水印检测 API
用户体验	撤销/重做、键盘快捷键、拖放、会话持久化、毛玻璃设计系统
实时事件	WebSocket 事件总线——数据变更时即时刷新侧边栏、指数退避重连
状态管理	Zustand 状态管理迁移——uiSlice、pillSlice、dubSlice、generateSlice、prefsSlice、glossarySlice
桌面	跨平台 Tauri 安装程序（macOS DMG、Windows MSI、Linux deb/AppImage）、自动更新基础设施
Windows 加固	跨平台日志路径、Triton 兼容方案、HF 符号链接绕过、300 秒健康检查超时
听写	全局系统热键（⌘+⇧+Space）、无边框浮动控件、WebSocket 流式语音识别、自动粘贴
批量流水线	完整批量 TTS：提取 → 转录 → 翻译 → 生成 → 混音 → 导出，带实时进度追踪

🔜 即将推出

• 🎬 唇同步 v2 — 使用 wav2lip 进行视觉语音时间对齐
• 📖 有声书编辑器 — 按章节感知的长篇叙述
• 🌐 在线演示 — 无需安装即可体验 OmniVoice
• 🔌 插件市场 — 社区贡献的 TTS 引擎和特效

---

参与贡献

我们欢迎各种形式的贡献——Bug 修复、新的 TTS 引擎适配器、UI 改进、文档和翻译。

• 📖 阅读 贡献指南 了解设置、代码风格和 PR 工作流
• 🐛 浏览 good first issues
• 💬 加入我们的 Discord 讨论创意或寻求帮助

---

常见问题

真的能和 ElevenLabs 一样好吗？

在语音克隆和配音方面，是的——OmniVoice 使用最先进的扩散 TTS 模型，支持 646 种语言（ElevenLabs 仅支持 32 种）。在大多数用例下质量相当。ElevenLabs 的优势在于其完善的云 API 和预制声音库。OmniVoice 在隐私、成本、语言覆盖和可定制性方面胜出。

能在 Apple Silicon（M1/M2/M3/M4）上运行吗？

可以。MPS 加速会被自动检测。在 Apple 硬件上，MLX 优化的 Whisper 模型可提供更快的转录速度。

需要多少显存？

最低 4 GB。 显存 ≤8 GB 时，TTS 模型会在转录期间自动卸载到 CPU。8 GB 以上时，所有组件同时在 GPU 上运行。没有 GPU？CPU 模式也能用——只是速度较慢（TTS 约慢 3 倍）。

可以用于商业用途吗？

可以——商业使用免费。OmniVoice Studio 是基于 GNU AGPL-3.0 的自由开源软件。个人、教育、研究以及商业／企业用途均免费：运行它、出售用它生成的音频、为自己或客户的视频配音、在团队中部署。由于 AGPL 是网络著佐权（copyleft）许可证，如果你修改了 OmniVoice Studio 并通过网络向他人提供该修改版本，你必须依据相同的 AGPL 条款向这些用户提供你修改版本的源代码。希望将 OmniVoice 嵌入闭源或专有产品而不受这些义务约束？可获取商业许可证——参见许可证。

支持哪些语言？

通过 OmniVoice 模型的 TTS 支持 646 种语言。转录（WhisperX）支持 99 种语言。翻译覆盖范围取决于目标语言对。

可以添加自己的 TTS 引擎吗？

可以。OmniVoice 使用内置后端注册表。约 50 行代码即可添加引擎：在 backend/services/tts_backend.py 中继承 TTSBackend，然后将其添加到底部的 _REGISTRY 字典中。内置六个引擎：OmniVoice、CosyVoice、MLX-Audio（14+ 子引擎）、VoxCPM2、MOSS-TTS-Nano 和 KittenTTS。详情请参见 TTS 引擎部分。

---

许可证

OmniVoice Studio 是基于 GNU Affero 通用公共许可证 v3.0（AGPL-3.0） 的自由开源软件。

可免费用于任何用途——包括商业和企业内部用途。 运行它、出售用它生成的音频、为自己或客户的视频配音、在团队中推广——全部免费，无需许可证。作为网络著佐权（copyleft）许可证，AGPL 增加了一项义务：如果你修改了 OmniVoice Studio 并通过网络向他人提供该修改版本，你必须依据相同的 AGPL-3.0 条款向他们提供该修改版本的完整对应源代码。

希望将 OmniVoice Studio 嵌入闭源或专有产品或服务、又不受 AGPL-3.0 著佐权义务约束的组织，可获取商业许可证。定价方案即将推出。 如有疑问：OmniVoice@palash.dev。

捆绑的 omnivoice/（由朱涵开发的 TTS 模型）在上游仍为 Apache-2.0 许可。完整且具约束力的条款请参见 LICENSE。

参见 LICENSE 查看完整条款。

---

致谢

OmniVoice Studio 建立在优秀的开源工作之上：

项目	作用
OmniVoice (k2-fsa)	零样本扩散 TTS 引擎——核心语音合成模型
WhisperX	词级别语音识别和时间对齐
Demucs (Meta)	音乐源分离，用于人声隔离
Pyannote	说话人分离——谁说了什么
CTranslate2	CPU 和 GPU 上的优化 Transformer 推理
AudioSeal (Meta)	AI 溯源的不可见神经音频水印
Tauri	原生桌面应用框架

---

如果你读到了这里，你是我们想要的人。
⭐ 给这个仓库点个 Star，让更多人能找到它。