yovoice

项目概述

yovoice 是一个开源的本地优先音频与音乐创作工作室，在 macOS 和 Windows 上把文字变成富有表现力的语音、克隆声音、带人声的完整歌曲和多轨乐谱。

它基于原生 C++ 引擎 audio.cpp，模型推理全部在本机 GPU 或 CPU 上完成，没有云 API 调用与按字计费，也不需要配置 Python 环境；内置 MCP 服务器，可让 DeepSeek、Claude 等 AI 代理调用语音与乐谱能力。

项目	内容
平台	macOS 14+（Apple Silicon）、Windows 10/11 x64
技术栈	Go + C++（audio.cpp）+ Web 前端
本地模型	IndexTTS 2.x、VoxCPM2、Qwen3-TTS、Kokoro、ACE-Step 1.5 等
许可	Apache-2.0

文字变语音、声音可克隆、灵感能成歌，全部在本机完成，零 API 费用。

主要功能

• 语音合成与表演控制：用参考音色、情感调整或文字描述的语气来生成语音
• 声音设计与克隆：VoxCPM2 支持文本引导的声音设计、可控克隆与转写辅助克隆，输出 48 kHz
• 歌曲生成：ACE-Step 1.5 按风格与带段落标记的歌词生成完整歌曲或纯音乐，每次生成保留版本
• 多轨乐谱：按小节节拍编写声部、导入 MIDI 或让 AI 写谱，用 GM 音色渲染并导出 MIDI 与分轨
• 多版本工作台：多 take 版本对比、波形裁剪、时间线滚动，可导出干净分轨
• 本地模型管理：IndexTTS、VoxCPM2、OmniVoice、Qwen3-TTS、Breeze TTS、Kokoro 等模型断点续传下载，支持 GGUF 导入
• 硬件加速：Apple Silicon 走 Metal，Windows 支持 CUDA 与实验性 Vulkan
• MCP 与 AI 代理：内置 MCP 服务器，接入 Cursor、Claude Code 等让代理写词写谱、生成配音

适用人群

• 需要批量配音的短视频创作者
• 想生成完整歌曲的音乐爱好者
• 制作有声内容与播客的作者
• 关注隐私、要求离线生成的用户
• 想让 AI 代理调用语音能力的开发者

快速上手

1. 从 Releases 下载对应平台的安装包
2. 安装启动后，在模型管理里下载需要的本地模型
3. 输入文本生成语音，或导入参考音频做声音克隆
4. 用歌词与风格描述生成歌曲，保留多个版本对比
5. 在乐谱页编写或导入 MIDI，渲染后导出分轨

核心优势

• 完全本地：稿件、参考音色与作品不出电脑，零按字计费
• 原生性能：C++ 引擎免去 Python 环境冲突，安装即用
• 模型丰富：从 189 MB 的 Kokoro 到整曲生成的 ACE-Step 按需选择
• 代理生态：MCP 服务器让 AI 编程助手直接调用语音与乐谱能力

系统要求

项目	要求
操作系统	macOS 14+（Apple Silicon）或 Windows 10/11（x64）
语音克隆	建议 8 GB+ 内存或 4-6 GB 显存
整曲生成	建议 12 GB+ 显存或 16 GB+ 统一内存
可选加速	NVIDIA CUDA（Windows）、Metal（macOS）

注意事项

• 模型按需下载：本地模型体积从一百多 MB 到数 GB 不等，首次使用需等待下载
• 整曲门槛较高：ACE-Step 1.5 BF16 约需 10 GB 显存，低配机器建议从轻量模型起步
• AI 服务可选：接入 DeepSeek、OpenAI 等在线服务仅用于写词写谱，密钥只保存在本机