ElevenLabsはもういらない？5つのAI音声エンジンを搭載した完全ローカル動作の声クローン工房 — voicebox

アーキテクチャ・技術スタック

• デスクトップアプリ: Tauri（Rust製）で構築。Electronより軽量でネイティブ性能を実現
• フロントエンド: React + TypeScript + Tailwind CSS、状態管理にZustand + React Query
• バックエンド: Python FastAPIサーバー
• データベース: SQLite
• 音声波形表示: WaveSurfer.js、音声処理にlibrosa

搭載TTSエンジン（5種）

音声エフェクト

Spotifyのpedalboardライブラリを使用した8種類のエフェクト:

• ピッチシフト（±12半音）、リバーブ、ディレイ、コーラス/フランジャー、コンプレッサー、ゲイン（-40〜+40dB）、ハイパスフィルタ、ローパスフィルタ
• 4つの内蔵プリセット（Robotic, Radio, Echo Chamber, Deep Voice）＋カスタムプリセット対応

GPU対応

主要機能

• 自動チャンキング: 100〜5,000文字で文境界分割、クロスフェード（0〜200ms）で接続。最大50,000文字
• 生成バージョン管理: オリジナル・エフェクト版・テイク（シード変更再生成）の履歴追跡
• 非同期生成キュー: GPU競合を防ぐシリアル実行、SSEによるリアルタイムステータス配信
• 録音・文字起こし: アプリ内録音、システム音声キャプチャ、Whisper/Whisper Turboによる自動文字起こし
• Stories Editor: 複数音声のタイムライン編集、ドラッグ＆ドロップ、インライン音声トリミング
• REST API: http://localhost:17493 で音声生成・プロファイル管理等が可能

ロードマップ

• リアルタイムストリーミング（単語ごとの音声出力）
• テキスト記述からの新しい声の生成（Voice Design）
• XTTS、Bark等の追加モデルサポート
• プラグインアーキテクチャ
• モバイルコンパニオンアプリ

ライセンス

MITライセンス（商用利用可）

デスクトップアプリのダウンロード

※ Linuxはビルドが必要: voicebox.sh/linux-install

開発者向けクイックスタート

git clone https://github.com/jamiepine/voicebox.git
cd voicebox

just setup   # Python仮想環境の作成と依存関係のインストール
just dev     # バックエンド＋デスクトップアプリの起動

前提: Bun, Rust, Python 3.11+, Tauri Prerequisites（macOSではXcodeも必要）