VoiceStudio 喺 9 月登上 GitHub Trending #1。最吸引我嘅係段描述：開源、完全喺本機運作嘅 ElevenLabs 替代方案——語音複製、配音、646 種語言目錄，唔使帳戶、唔使 API 密鑰，亦冇按字符收費嘅賬單。
英文同埋日文旁白，我已經俾咗 ElevenLabs 接近 $200。所以呢個唔係抽象問題。16 GB Mac 行唔行到呢樣嘢？安裝設定有幾難？把聲夠唔夠好，可以擺喺付費客戶面前？如果答案係可以，噉 ElevenLabs 究竟賣緊咩，係本機 App 畀唔到嘅？
呢次實驗嘅 git 歷史由 2026 年 10 月 17 日（第一次本機 TTS 規格提交）去到 10 月 26 日（兩個本地化版本都起好）。前後係九日，唔係一季。中文同韓文音頻都已經完整：各 258 對旁白，總長 3 小時 06 分同 3 小時 25 分。
VoiceStudio 實際上係咩
VoiceStudio 係一個桌面 App，唔係要你一直睇住嘅 Python 腳本。佢包裝咗一個本機 API，喺同一個介面提供 16 個 TTS 引擎同 11 個語音識別引擎嘅目錄。佢支援 macOS、Windows、Linux 同 Docker。App 採用 AGPL-3.0（代碼倉庫，2026 年 10 月 25 日檢索）。
截至 10 月 25 日，呢個倉庫有大約 85,000 個星標，距離佢喺 2026 年 4 月 9 日建立只有大約六個月。9 月最少有兩日，佢係 GitHub Trending 嘅榜首倉庫。第一個意外係授權條款。App 係開源，但模型權重唔會自動跟同一套授權。預設嘅 OmniVoice 引擎有另外嘅條款，而預訓練權重係非商用（模型卡，2026 年 10 月 25 日檢索）。我最終用嘅 CosyVoice 3 係 Apache-2.0，VoxCPM2 都係 Apache-2.0。
呢個區別係第一個真正嘅教訓。「開源 ElevenLabs 替代方案」講嘅係應用程式，唔係權重、聲音或者輸出。如果你要將佢用喺收費工作，就要自己逐個引擎查清楚授權嘅來龍去脈。
16 GB Mac 行唔行到？
行到。不過唔係次次都順，亦唔一定行到你想用嘅引擎。
安裝設定唔算難。裝 App、打開、揀引擎、等佢下載權重。難嘅係搵到一個引擎，可以喺呢部機上面唔會中途冧檔，將 258 張幻燈片嘅批次行完。
我最初試 VoxCPM2。佢用 Apple 嘅 MPS，把聲幾好。但喺 16 GB Apple Silicon Mac 高負載之下，可用記憶體跌到大約 8%，交換空間升穿 9 GB，請求開始逾時。模組 1 嘅試行喺我停低佢之前，只完成咗 36 張入面嘅 1 張。模型唔係把聲產生得差，而係喺記憶體壓力下完成唔到長批次。
我轉用 CPU 上嘅 CosyVoice 3，佢完成咗成批工作。參考音頻必須不超過 30 秒，呢個喺複製聲音時係實際限制。我用嘅 30 秒樣本係 24 kHz 單聲道。
之後批次照樣失敗，而今次嘅原因同模型無關。
嗰個睇落似模型問題嘅故障
一個鐘之後，我淨係得到 258 組入面嘅 4 組音頻配對。日誌先出現重試，跟住係本機 worker 池嘅 429，然後係孤兒任務。好自然會認為，本機引擎處理唔到中文。
其實佢處理到。問題出喺 Node 嘅 fetch。佢嘅預設標頭逾時係五分鐘。有啲中文幻燈片要五至七分鐘先合成到。客戶端喺 worker 仲生成緊嘅時候放棄請求，然後重試，再將同一張幻燈片嘅第二個任務排入隊列。隊列入面塞滿咗已經冇人等候嘅工作。
如果伺服器仲處理緊你放棄咗嘅請求，重試就唔係修復方法。
將語音請求改為經過逾時較長嘅 Node http/https 傳輸之後，模組 1 完成咗 36/36。第一個完整中文檢查點達到 258/258 組，旁白總長 3 h 05 m 57 s。由第一個檔案到最後一個檔案，前後歷時 28 h 12 m 41 s。呢個數字包括故障、暫停、加固同重試，唔係一次乾淨嘅合成基準測試。最慘嘅一張幻燈片，三次嘗試共用咗 37 分鐘。
呢個就係本機推論嘅真實樣貌。模型唔係一個可以用示範速度將文字變成音頻嘅魔法盒。佢係一項有長尾嘅批次工作，而工程工作就喺嗰條長尾入面。
部機決定咗架構
16 GB Mac 唔係 TTS 伺服器。普通幻燈片 2–6 分鐘完成；極端嗰啲要 13–23 分鐘。最慘嘅一張三次嘗試用咗 37m 09s。流程入面每一項實質改進，都係為咗令工作喺呢部慢機上面生存到，唔係為咗喺速度上打贏託管服務。
最後留低嘅控制措施：
TtsEngine抽象層，令本機同託管旁白可以明確選擇，而唔係寫死。呢個抽象層喺 10 月 19 日落地，本機選擇功能就喺 10 月 21 日加入。- 符合實際工作嘅傳輸逾時，因為預設五分鐘嘅假設，比實際工作所需時間仲短。
- 單一運行鎖同 worker 鎖、失敗即停，以及重試前排空 worker，因為向一個繁忙引擎重試，根本唔算重試。
- 可以續跑嘅句子分塊，因為將一張 30 分鐘嘅幻燈片由零重跑，浪費嘅係呢部機唯一稀缺嘅資源。
- 安全替換，因為失敗嘅新版本唔可以毀掉好嘅舊版本。
- 每個模組重置 worker，預防長時間運行入面嘅記憶體漂移。
- 取樣率正規化，因為有一次組裝將 24 kHz 同 44.1 kHz 嘅片段拼埋，整出一條 63 分鐘嘅音軌。喺檢查時長之前，佢睇落係一個好似冇問題嘅檔案。
caffeinate -i，到 10 月 24 日——第八日——先寫入文件。之前我一直喺一部隨時可以瞓着嘅 Mac 上行幾個鐘嘅批次。呢行係成條流程入面最唔高級嘅一行，亦可能係最重要嘅一行。我覺得自己似個新手。事實上，我就係新手。
重點唔係條流程有幾勁，而係流程本身就係產品。呢八日都落咗喺令一個慢速本機引擎表現得似基礎設施：失敗即停、由斷咗嘅位置續跑、永遠唔用未驗證嘅新版本取代好版本，同埋保持部機清醒。
點解冇廣東話版
10 月 21 日，我將廣東話由呢個項目撤走。原因係證據，唔係理念：呢個課程冇一條經過驗證嘅本機廣東話路徑。VoxCPM2 唔支援 yue。CosyVoice 有列出 yue，但我仲未針對呢個課程驗證。我本來可以將一個估測發佈出去，或者用一把冇人聽過佢講呢種語言嘅聲音。一個錯嘅廣東話版，比冇廣東話版更差。網站嘅文章仍然保留 zh-HK 語言區域；課程係簡體中文，唔係繁體中文或者廣東話。
即使模型未驗證某種語言，流程都可以產生嗰種語言嘅檔案。最後嘅關卡，必須係由人話「唔得」。
258/258 唔等於正確
第一個完整中文檢查點入面，有 16 張幻燈片至少缺咗一句。幻燈片數目係啱嘅，音頻配對都存在，但仍有十六張幻燈片嘅旁白係錯。呢啲問題透過對照講稿檢查文字覆蓋率搵出嚟，再逐一修復。
呢件事改變咗驗收門檻。「所有檔案都存在」變成「所有檔案都存在，旁白覆蓋講稿，而且每個模組嘅樣本都已經聽過」。完全一致先係門檻；全綠嘅批次唔係產品。
質素夠唔夠用？
我聽過嘅修復後樣本，對呢個課程嚟講夠用；完整驗收係另一道門檻。呢個係負責人作出嘅判斷，唔係認證。
我用本機 ASR 轉錄音頻，再同講稿比較。早期抽查嘅平均值係 0.903，完整中文檢查點嘅平均值係 0.908。呢啲係正規化文字相似度分數，唔係自然度或者說話者相似度嘅衡量。最慘嘅一張——模組 4 第 8 張——得分 0.776；佢聽錯咗一個品牌名。模組 6 一張語碼切換嘅幻燈片，先產生無意義內容，跟住重複段落，然後截斷；按句子分塊之後修復到 0.909。
把聲清晰、前後一致，而且喺我把耳仔聽嚟，明顯係我把聲。佢冇 ElevenLabs 嗰種細緻度。中文版同韓文版冇經人類母語人士逐行編校；我用 AI 編輯器審核，亦聽咗樣本。呢個限制應該寫喺課程頁面，唔止寫喺博客入面。
如果你嘅標準係「聽落似錄音室配音」，就俾錢請人。如果你嘅標準係「清晰、一致、係我把聲，而且夠用嚟教學」，而家本機方案已經做得到。
成本有幾多
ElevenLabs：英文同埋日文旁白，包括語音複製，接近 $200。
本機：一部 Mac；呢幾輪處理冇額外按字符收費嘅 TTS 賬單，亦冇雲端 TTS 或者 ASR 支出。第一個中文檢查點前後用咗 28 小時，換嚟 3 小時音頻，另外仲有上表嘅工程同 QA 時間。電費冇量度。
呢 $200 買到嘅係一把聲、一套工作流程，同埋由別人負責維持嘅正常運行時間。本機路徑買到嘅係少啲依賴託管旁白 API、喺本機處理聲音，同一張唔會隨每次重新渲染而增加嘅賬單；代價係為一個根本唔喺模型入面嘅逾時問題，投入咗幾日工程工作。翻譯起草仍然用雲端 Claude；只有旁白同 ASR 留喺 Mac。
噉 ElevenLabs 有幾難被取代？
呢度我要小心講，因為一部 Mac 上面嘅一個課程，唔係一個市場。
對呢次工作負載嚟講，改變嘅係新增旁白成本。如果你獲授權複製呢把聲，工作係批次處理，你可以驗證輸出，亦可以容忍緩慢嘅長尾，本機推論就可以免去再做一遍或者加多一種語言嘅按字符成本。對為批次流程揀 API 嘅開發者嚟講，呢個係實際要考慮嘅因素。
託管服務仍然提供嘅嘢，就更難取代：
- 質素上限。 我喺本機測到嘅輸出，唔係我聽過最好嘅託管服務聲音。
- 延遲。 本機批次每張幻燈片要幾分鐘。一個即時回應嘅產品，係另一道工程問題。
- 營運可靠性。 我要排查五分鐘逾時、記憶體上限、worker 排空同授權條款。
- 聲音權利同合規。 語音複製係法律層面，唔係一個功能。使用託管 API，並唔會將客戶確保自己持有相關權利同已取得同意嘅責任轉移出去。
- 廣度。 CosyVoice 列出支援我四種發佈語言；我驗證咗中文，韓文驗證仲進行緊。一個全球產品需要多得多嘅語言。
誠實嘅結論比「開源殺死 ElevenLabs」窄得多。本機推論改變咗我呢套批量重新渲染工作負載嘅計算方式，但冇取代嗰個喺互動延遲、豐富嘅聲音目錄、合約支援或者特定質素上限重要時你會使用嘅產品。呢啲只係我由一個項目得出嘅判斷，唔係市場預測。
點解呢件事變成一個課程故事
我一開始唔係想寫語音模型，而係想將一個課程做成更多語言版本，多到靠我一個人做唔晒。
中文版同埋而家做緊嘅韓文版，用嘅都係呢個課程所教嘅同一套營運模式：研究、規劃、起流程、驗證輸出，再保留必須由人負責嘅部分。一個廣告營運人員，Claude 起草翻譯，本機開放權重聲音模型負責旁白，冇本地化供應商，亦冇配音工作室。
我就係將呢套營運模式嘅一部分，用落自己嘅產品上面。
如果你做廣告，仲諗緊 AI 係威脅定槓桿，呢個就係槓桿嗰一面。你唔需要大團隊。你需要嘅係品味、一份檢查清單，同埋排除最後一公里故障嘅意願。
我會點同另一位開發者講
- 幾時試本機：你獲授權複製呢把聲，工作係批次處理，你可以驗證輸出，亦可以容忍緩慢嘅長尾。
- 幾時為託管服務俾錢：你需要即時低延遲、豐富嘅聲音目錄、合約訂明嘅正常運行時間，或者特定嘅質素上限。
- 先檢查權重授權條款，再將收費產品建喺一個「開源」App 上面。AGPL-3.0 喺佢嘅條件下允許商用；模型權重同聲音權利係另外兩個問題。
- 測試最壞情況，唔係示範。最壞情況唔係長啲嘅提示詞，而係一張好長嘅語碼切換幻燈片、一次傳輸逾時同一個重試隊列同時出現。
常見問題
16 GB Mac 行到本機語音複製嗎？
行到。CosyVoice 3 喺 CPU 上運行；VoxCPM2 喺負載下需要嘅記憶體餘量，比呢部機提供到嘅更多。預期每張幻燈片要幾分鐘，唔係幾秒。
開源 TTS 夠唔夠用喺收費課程？
我聽過嘅修復後中文樣本清晰、前後一致，但冇錄音室級嘅打磨。呢個係負責人作出嘅判斷。
VoiceStudio 可以免費商用嗎？
App 採用 AGPL-3.0，喺相關條件下允許商用。模型權重有各自嘅授權條款；OmniVoice 嘅預訓練權重係非商用。發佈之前要逐個引擎檢查。
中文版同韓文版係 AI 翻譯嘅嗎？
係——由 Claude 起草，再由 AI 編輯器審核，唔係由人類母語人士審校。旁白同 ASR 用 CosyVoice 3 同本機轉錄模型喺本機運行；翻譯起草就用咗雲端。
一個 258 張幻燈片嘅課程要幾耐？
中文檢查點：3 小時 06 分音頻前後用咗 28 小時，包括故障同重試；之後仲做咗一輪 16 張幻燈片嘅修復。韓文檢查點：3 小時 25 分音頻用咗 31 小時，包括 worker 卡住之後嘅繞道處理，同埋兩張幻燈片嘅修復。
課程
課程係 AI-Native Media Operations——七個模組、十六個模板，旁白提供英文、日文、簡體中文同韓文。