Voicebox
ElevenLabs・Wispr Flow の代替。声のクローン・読み上げ・音声入力を1つにした、パソコンで動く音声スタジオ
オープンソース代替:ElevenLabsWispr Flow
サーバーは不要。パソコン(Windows・Mac・Linux) にインストールして、無料で使えます 導入方法を見る ↓
- ARM対応
- 商用利用可
- 日本語UI
Voicebox は、読み上げ(ElevenLabs の領域)と音声入力(Wispr Flow の領域)を1つにしたオープンソースの音声アプリです。README によると、Qwen3-TTS・Chatterbox・LuxTTS・HumeAI TADA・Kokoro など8種類の読み上げエンジンを切り替えて使え、数秒の参考音声からの声のクローンや50種類以上のプリセット音声、23言語に対応します。ピッチ変更・リバーブなどのエフェクト、長文の自動分割(最大5万文字)、複数の声を並べて会話劇やポッドキャストを作るタイムライン編集もあります。
音声入力は、どこでもホットキー(あらかじめ決めたキーの組み合わせ)を押して話すと Whisper(OpenAI の音声認識モデル)で文字にし、macOS では入力欄に自動で貼り付けます(Windows・Linux の自動貼り付けは今後の予定)。AI の頭脳はすべてパソコンの中で、読み上げモデル・Whisper・文章の手直しに使う Qwen3(0.6B〜4B)の小さな言語モデルを手元で動かすため、API キーや従量課金はありません。MCP サーバー(AI とアプリをつなぐ共通規格)とローカルの REST API(ほかのプログラムから機能を呼び出す窓口)があり、Claude Code や Cursor などの AI エージェントに、クローンした声で作業の完了を知らせさせることもできます。
公式ドキュメントの動作環境は、最低メモリ8GB・空き容量5GB、推奨はメモリ16GB以上と NVIDIA の CUDA 対応 GPU です。Apple シリコンでは MLX で速く動き、AMD(ROCm)・Intel Arc・DirectML・CPU にも対応します。モデルの大きさは約350MB(Kokoro)から約8GB(TADA 3B)です。配布は macOS と Windows のインストーラーと Docker で、Linux はソースからのビルドが必要です。GPU のある別のマシンを処理に使う「リモートモード」もあります。最新リリースは 2026年4月の v0.5.0 で、その後も 2026-10-07 までコミットは続いていますが、新しいリリースは出ていません。公式のクラウド版はありません。
日本語対応
リポジトリに日本語の翻訳ファイル(app/src/i18n/locales/ja/translation.json)があります。README・ドキュメントは英語です。読み上げの対応言語はエンジンごとに異なるため、日本語の音声は対応するエンジンを選んで試してください。
※ 日本語化率はリポジトリ内の翻訳ファイル(app/src/i18n/locales/ja/translation.json)の項目数を英語版と比較して自動計測しています。最終計測:2026/10/22
向いている人・向いていない人
向いている
- ElevenLabs の読み上げと Wispr Flow の音声入力を、1つの無料アプリで済ませたい
- 台本・録音・声のデータを外部に送らずに処理したい
- Claude Code や Cursor などの AI エージェントに、作業の完了を声で知らせてほしい
- ポッドキャストや会話劇を、複数の声を並べたタイムラインで作りたい
向いていない
- Windows や Linux で、音声入力の結果をほかのアプリへ自動で貼り付けたい(自動貼り付けは現状 macOS のみ)
- Linux 用のインストーラーが欲しい(Linux はソースからのビルドが必要)
- GPU のないパソコンで、長文を速く読み上げたい(CPU では大幅に遅い)
- 定期的な正式リリースを前提に使いたい(最新リリースは 2026年4月の v0.5.0)
最近の更新
-
リリースノート(原文)
## The Capture release. Voicebox stops being just a voice-cloning studio and becomes a full AI voice studio. Hold a key anywhere on your machine, speak, release — the transcript lands in the focused text field. Flip the primitive around and any MCP-aware agent — Claude Code, Cursor, Spacebot — speaks back through an on-screen pill in one of your cloned voices. A local LLM sits between the two, so transcripts come out clean and voice profiles can carry a personality that reshapes what the agent says before it gets spoken. <img width="1354" height="990" alt="Screenshot 2026-04-22 at 2 37 10 PM" src="https://github.com/user-attachments/assets/853c730f-64f3-4573-bcd8-1000bdb8e11f" /> ### Dictation — speak anywhere, paste anywhere - **Global hotkey capture.** Hold a customizable cho…
-
リリースノート(原文)
Second hotfix for the "offline mode is enabled" crash on model load. 0.4.4 reverted the inference-path offline guards but kept the same trap on the load path, so users who updated to 0.4.4 kept hitting the exact error the release was supposed to fix ([#526](https://github.com/jamiepine/voicebox/issues/526)). This release removes the load-path guards and patches the transformers tokenizer load to be robust to HuggingFace metadata failures at the source, so the class of bug can't recur. ### Reliability - **Load no longer fails with "offline mode is enabled"** ([#530](https://github.com/jamiepine/voicebox/pull/530), fixes [#526](https://github.com/jamiepine/voicebox/issues/526)). transformers 4.57.x added an unconditional `huggingface_hub.model_info()` call inside `AutoTokenizer.from_pr…
-
リリースノート(原文)
Hotfix for a regression in 0.4.3 where generation and transcription could fail outright with "offline mode is enabled" even when the user was online. ### Reliability - **Inference no longer fails with "offline mode is enabled" while online** ([#524](https://github.com/jamiepine/voicebox/pull/524), reverts the inference-path guards from [#503](https://github.com/jamiepine/voicebox/pull/503)). 0.4.3 wrapped every inference body (`generate`, `transcribe`, `create_voice_clone_prompt`) with a process-wide `HF_HUB_OFFLINE` flip to stop lazy HuggingFace lookups from hanging when the network drops mid-inference ([#462](https://github.com/jamiepine/voicebox/issues/462)). That flag also blocks legitimate metadata calls (e.g. `HfApi().model_info` for revision resolution) so online users started…
導入方法(インストール)
macOS(Apple シリコン用・Intel 用の dmg)と Windows(x64 の msi・exe)が GitHub の Releases で配布されています。Linux 向けの配布ファイルはなく、ソースからのビルドが必要です。Docker(docker compose up)でも動かせます。Mac で署名や公証の警告が出るかは確認できていません。
- 公式の配布元からダウンロード ― GitHub の Releasesから、使っているOSに合うファイルを選びます。名前の似た非公式の配布ページに注意してください
- インストールして起動 ― 詳しくは公式ドキュメントを参照してください
ElevenLabs と比べていくら安くなる?
| 契約 | ElevenLabs(年額) | Voicebox(年額) | 差額 |
|---|---|---|---|
| 1契約 | 10,800円 | 0円 | −10,800円 |
※ ElevenLabs は 無料プランあり(月1万クレジット・商用利用不可)。Starter は月額6ドル(約900円)で商用ライセンスと声のインスタントクローン、Creator は月額22ドル(約3,300円)、Pro は月額99ドル(約14,850円)。チーム向けは Scale 月額299ドル・Business 月額990ドル。年払いは月額×10か月分。価格は税別、Voicebox は無料のソフトとして試算。パソコン本体の費用と、機能の違いによる手間は含みません。
AI・LLMの他のOSSと比較
| ソフト | ★ Stars | 最終更新 | 日本語UI | 必要RAM | 難易度 | ライセンス |
|---|---|---|---|---|---|---|
| Voicebox(このページ) | 58,245 | 2週間前 | 98% | パソコン(Windows・Mac・Linux) | かんたん | MIT |
| OpenClaw | 392,681 | 1日前 | あり | パソコン(Windows・Mac・Linux) | ふつう | MIT |
| Hermes Agent | 255,836 | 1日前 | 100% | パソコン(Windows・Mac・Linux) | ふつう | MIT |
| Ollama | 184,319 | 10時間前 | 未検出 | 8GB | かんたん | MIT |
よくある質問
Voicebox は無料ですか?
MIT ライセンスで無料です。モデルは自分のパソコンにダウンロードして動かすため、API キーや文字数による課金はありません。有料プランやクラウド版もありません。
作った音声を商用利用できますか?
アプリは MIT で商用利用できます。音声モデルは別のライセンスで、Hugging Face のモデルカードでは Qwen3-TTS・Kokoro・LuxTTS が Apache-2.0、Chatterbox が MIT、HumeAI TADA が Llama 3.2 Community License と表示されています(2026-10-15 確認)。使うモデルごとに条件を確認してください。
どれくらいの性能のパソコンが必要ですか?
公式ドキュメントでは、最低メモリ8GB・空き容量5GB、推奨はメモリ16GB以上と NVIDIA の CUDA 対応 GPU です。Apple シリコンでは MLX で速く動きます。CPU だけでも動きますが、生成はかなり遅くなります。
AI エージェントとつなぐときの注意点は?
MCP サーバー(http://127.0.0.1:17493/mcp)に登録したエージェントは、音声の生成や文字起こしのほか、録音の一覧や声のプロフィールも読めます。信頼できるクライアントだけを登録してください。Docker で動かす場合も、ポートは初期設定どおり自分のパソコン(127.0.0.1)だけに公開するのが安全です。
他人の声をクローンしてもよいですか?
本人の同意なく他人の声を使わないでください。なりすましや詐欺に使うと、法的な責任を問われるおそれがあります。