想用自己的声音给视频配音，再顺手把口述内容输入文档，通常得在几个工具之间来回切换。Voicebox 想把这条链路收进一个开源桌面应用：克隆声音、生成语音、听写，以及让 AI Agent 用指定声音开口。项目单日增星 1146，说明开发者对可控语音工具的兴趣仍在升温。
它的重点不是单独做出一种声音，而是整合完整的声音输入与输出。Voicebox 提供 7 种 TTS 引擎——TTS 就是把文字合成为人声——覆盖 23 种语言；也能从几秒参考录音克隆音色。听写则基于 Whisper，把麦克风里的讲话转成文字，并通过全局快捷键输入任意文本框。故事编辑器还提供多轨时间线，可编排对话、播客和叙事内容。
Voicebox 也内置 MCP 服务。MCP 是让 AI 应用统一连接外部工具的协议，因此兼容它的 Agent 可以调用 voicebox.speak 说话。项目方称模型、声音数据和录音都留在本机，并支持 macOS、Windows、Docker 等环境；Linux 暂无预编译版本，需要自行构建。