稿子改到第八版，声音就得跟着重录第八遍。YoVoice 的想法是把整套音频工作室搬进你自己的电脑：文字转语音、几秒参考音频复刻音色、AI 写歌、五线谱编曲，13 款开源模型按需下载，推理全程在本地完成，不按字数计费。上线一个月拿到 1700 个 star，它到底能不能替代云端配音，上手跑一遍才知道。
产品概述
YoVoice 是一款开源的本地音频与音乐创作工作台，支持 macOS 14 以上的 Apple Silicon 机型和 Windows 10/11 x64 桌面端。它把文字转语音、零样本声音克隆、AI 音乐生成和五线谱编曲收进同一个应用，底层由 C++ 推理引擎 audio.cpp v0.9.1 驱动 13 款开源模型，安装包双击即用，不用配 Python 环境，也不用注册账号。
项目 2026 年 9 月 15 日上线，到 10 月 19 日已迭代到 v0.3.0，不到一个月连发五个版本，GitHub 收获 1705 个 star、128 个 fork。代码采用 Apache 2.0 协议，桌面端基于 TypeScript 编写，模型在应用内下载并支持断点续传，卸载软件后用户目录下的作品与模型仍保留在 ~/.yovoice 文件夹里。
官网：https://yovoice.leemysw.com | 项目地址：https://github.com/leemysw/yovoice
核心功能
先说结论：这不是又一个单一功能的 TTS 工具，它想把从文稿到成品音频的整条链路都包圆。
四个项目类型覆盖主要创作场景。故事配音模式可导入文本或字幕，给每一行分配角色声线后逐段生成；语音生成模式适合单段旁白，能调情绪和语气；音乐模式用风格提示词加带段落标记的歌词直接产出完整歌曲；乐谱模式按小节写音符，用 General MIDI 音色渲染，可导出 MIDI 和分轨文件。
模型生态是它最大的差异化。13 款开源模型按需下载，从 82M 参数的轻量款到 10GB 级的音乐模型，覆盖克隆、音色设计、内置音色、歌曲生成四类需求。每个模型都提供多种量化精度，下载支持断点续传，也支持导入 GGUF 格式的自制权重，折腾空间留得够。
| 模型 | 参数量 | 拿手场景 |
|---|---|---|
| IndexTTS 2.0 / 2.5 | — | 中英与多语言克隆、情绪控制、读音编辑 |
| VoxCPM2 | 2B | 文字描述设计音色、48kHz 克隆 |
| OmniVoice | 0.6B | 属性化音色设计、非语言声音标签 |
| Qwen3-TTS Base | 0.6B / 1.7B | 参考音频克隆、多语言朗读 |
| Qwen3-TTS CustomVoice | 1.7B | 9 种内置音色加风格指令 |
| Qwen3-TTS VoiceDesign | 1.7B | 纯文字描述造新音色 |
| Breeze TTS 2 | 约 3B | 中英文音色设计与带指导的克隆 |
| Kokoro-82M | 82M | 轻量内置音色，CPU 可跑 |
| ACE-Step 1.5 Turbo / XL Turbo | — | 风格加歌词生成歌曲或纯音乐 |
| YuE2 3B | 3B | 按歌词生成带人声歌曲 |
整条链路的拼装方式值得看一眼。桌面应用、命令行、Agent Skill 和 MCP 服务是四个平等入口，全部汇入同一个推理引擎，引擎再根据硬件后端调度模型，产出音频或乐谱。同一个模型能力，人可以用鼠标点，开发者可以用脚本调，Agent 可以用自然语言驱动。
模型体积的跨度比想象中大。Q8 量化之后，最轻的 Kokoro-82M 只要 190MB，最重的 ACE-Step 1.5 XL Turbo 要到 10710MB，中间隔着五十多倍差距。模型文件大小不等于运行内存，实际占用还受量化精度和文本长度影响，选型前先看硬盘和显存余额，别一口气把音乐模型拖下来才发现跑不动。
多 take 管理是被低估的设计。每次生成都存为独立版本，同一段文稿的多个演绎可以并排试听，对比语速和情绪后再进波形编辑器修剪导出。对反复改稿的旁白流程来说，这比”生成一次覆盖一次”顺手得多。
上手体验
功能说得再好，不如从下载到产出完整走一遍。
安装没什么门槛。GitHub Releases 页面按平台选包：macOS 拖进 Applications，Windows 跑 setup.exe，NVIDIA 用户还有捆绑 CUDA 12.4 或 13.3 运行时的专用版本，首次启动就能用上显卡。Windows 安装器会自动补装 WebView2 运行时，全程不用手动找依赖，也不用注册账号，装完直接新建项目。
真正花时间的是下模型。首次打开进设置页挑一个模型下载，之后才能新建项目。只想随便试试就从 Kokoro-82M 入手，Q8 量化后 190MB，4GB 内存的机器就能跑；要做声音克隆再下 VoxCPM2 或 IndexTTS，显存建议备足 4 到 6GB；玩 AI 作曲则要上 ACE-Step，Q8 也要 6GB 起步，XL 版本直奔 10GB。
| 模型 | Q8 体积（MB） | 硬件参考 |
|---|---|---|
| Kokoro-82M | 190 | 任意 CPU，4GB 内存 |
| OmniVoice | 1350 | 4GB 显存 |
| Qwen3-TTS Base 0.6B | 1990 | 4GB 显存 |
| VoxCPM2 | 2960 | 4 到 6GB 显存 |
| IndexTTS 2.5 | 3500 | 4 到 6GB 显存 |
| Breeze TTS 2 | 5080 | 6GB 以上显存 |
| ACE-Step 1.5 Turbo | 6190 | 12GB 以上显存 |
| ACE-Step 1.5 XL Turbo | 10710 | 12GB 以上显存 |
命令行是另一条腿。装好 CLI 之后，yovoice models download 拉模型，yovoice generate 带参考音频直接出片，批量任务可以脚本化；yovoice serve 还能起一个带鉴权的 HTTP API 和 MCP 推理服务，给别的机器或 Agent 调用。桌面端负责试听和微调，命令行负责重复劳动，两边共用同一套模型文件，分工很清晰。
yovoice models download kokoro-82m-q8
yovoice generate --model kokoro-82m-q8 --speaker af_heart --text "你好，欢迎来到我的频道。" --output hello.wav
yovoice generate --model voxcpm2-q8 --text-file narration.txt --reference voice.wav --output vox.wav第一次产出比预期省心。用 Kokoro 念一段三百字的旁白，几秒出结果，内置音色的自然度对普通口播够用；换 VoxCPM2 克隆自己的声音，同一段稿子的辨识度立刻不一样。真正磨人的是长稿：不分段的几千字文稿可能出现音色漂移，按段落拆开生成再拼接才稳。
使用技巧
功能都摸清了，说几个很多人不知道的进阶玩法。
- 长文本记得分块。VoxCPM2 默认按 200 字切块，超过 400 字上限音色容易漂移甚至出噪音；克隆场景把长文本策略设成 stateless，让每一块都直接锚在参考音频上。
- Breeze TTS 2 的调参有顺序。先把文本块缩到 80 到 120 字，再把 temperature 降到 0.6 到 0.8，还拖就把 guidance_scale 提到 3 到 4，一步到位容易过头。
- 参考录音决定克隆上限。要清晰、单人、少混响，长度 1 到 60 秒、不超过 20MB；OmniVoice 和 Breeze 必须配逐字文本，文字对不上，效果大打折扣。
- IndexTTS 的情绪向量按 happy、angry、sad、afraid、disgusted、low、surprised、calm 八个值排序，配合 emotion-strength 调强度，比纯文字描述更可控。
- 写歌先排段落。用 [verse]、[chorus]、[bridge] 标记歌词结构，只要伴奏就打开 Instrumental；YuE2 想做翻唱，先用 SheetSage2 从原曲提取旋律再换成自己的音色。
竞品对比
单打独斗没意思，拉几个同类产品进来横向对比。
本地与云端两条路线都有成熟玩家：开源框架有 CosyVoice 3 和 GPT-SoVITS，云端订阅有 ElevenLabs，几个产品的战场并不完全重合，选型前先看自己在哪一头。
| 对比维度 | YoVoice | CosyVoice 3 | GPT-SoVITS | ElevenLabs |
|---|---|---|---|---|
| 产品形态 | 本地工作台加 CLI、MCP | 开源语音模型框架 | 开源本地克隆工具 | 云端订阅服务 |
| 费用 | 免费开源 | 免费开源 | 免费开源 | 免费 10k 积分每月，付费 $6 起（截至 2026 年 10 月官网） |
| 部署门槛 | 双击安装即用 | Python 加 PyTorch，建议 GPU | Python 环境，需准备训练 | 注册即用 |
| 声音克隆 | 几秒参考音频零样本 | 3 秒零样本，支持跨语言 | 1 分钟数据少样本训练 | 即时与专业克隆 |
| 音乐与乐谱 | AI 作曲加五线谱 MIDI | 不支持 | 不支持 | Eleven Music 按积分计费 |
| Agent 集成 | 原生 MCP 与 Agent Skill | 自行封装 | 自行封装 | 官方 API |
| 流式输出 | 以离线生成为主 | 双向流式约 150 毫秒 | 不支持 | 低延迟 API |
| 商用许可 | Apache 2.0，部分模型权重限非商用 | Apache 2.0 | MIT | 付费版含商用授权 |
核心差异在整合度。CosyVoice 3 的流式能力和克隆质量更强，但它是一个模型框架，部署、调参、写代码都得自己来；GPT-SoVITS 的克隆社区积累最深，代价是少样本训练流程；ElevenLabs 买的是省心和极致自然度，按量付费且素材要上云。YoVoice 占的是”开箱即用的本地全家桶”这个位置，代价是年轻项目的粗糙感。
预算和隐私是另一条分水岭。高频改稿的旁白场景，云端按字符计费的账单会随修改次数线性上涨，而 YoVoice 的边际成本是零；反过来，如果只是偶尔配一次音，或者要做直播实时配音，本地方案的准备时间和流式短板就都不划算。
用户反馈
媒体的实测反馈集中在两点：链路完整，门槛低。
中文开发者社区的评测普遍给出正面信号。有评测把它的功能链路概括为”从文字到语音到歌曲到乐谱”的全流程覆盖，13 款模型按需下载的设计对新手友好；ChatTools 的结论是”YoVoice 的出现，某种程度上降低了音频 AI 的使用门槛”。GitHub 上一个月 1700 个 star 的增长，也说明本地音频工具的需求真实存在。
吐槽集中在工程细节。流式输出被多次点名，它更适合离线生成而非实时场景，直播配音仍要看向 CosyVoice 这类支持流式的方案；音乐模型动辄 6GB 到 10GB，首次安装的等待时间客观存在；NavXD 的提醒更直接，接入可选云端 AI 服务后会产生对应调用与费用，不能把所有功能都描述成完全离线且零成本。
多维评分
按八个固定维度过一遍，价格维度对免费开源产品不适用。
| 维度 | 权重 | 星级 | 一句话解读 |
|---|---|---|---|
| 功能完整性 | 20% | ★★★★★ | 配音、克隆、作曲、乐谱、MCP 全覆盖 |
| 易用性 | 15% | ★★★★ | 双击即用，模型选型仍有学习成本 |
| 性能表现 | 15% | ★★★★ | C++ 引擎加原生加速，大模型吃显存 |
| AI 能力 | 15% | ★★★★ | 集成开源一线模型，上限取决于选型 |
| 价格合理性 | 10% | N/A | 免费开源，不参与评分 |
| 生态集成 | 10% | ★★★★ | MCP、CLI、Agent Skill 三入口齐全 |
| 文档与支持 | 10% | ★★★ | 中英双语文档齐，社区仍年轻 |
| 更新频率 | 5% | ★★★★★ | 不到一个月连发五个版本 |
加权归一化后综合得分 4.2 分（满分 5 分）。扣分主要在两处：模型体积和硬件门槛挡掉一部分轻量用户，文档与社区生态还撑不起”成熟”二字。如果愿意折腾模型选型，这个分数对应的性价比很高，同样的能力换到云端订阅，每月省下的都是真金白银。
优缺点
值得称赞的地方：
- 全本地推理，参考音频和作品不出本机，隐私敏感场景可用。
- 免 Python 环境，C++ 引擎开箱即用，卸载不丢数据。
- 功能链路长，配音、克隆、作曲、乐谱在一个应用里闭环。
- CLI、Agent Skill、MCP 三个自动化入口，能接进 Agent 工作流。
- 迭代速度惊人，不到一个月五个版本。
需要泼冷水的地方：
- 硬盘和显存是硬门槛，音乐模型 6GB 起步。
- 流式输出弱，实时配音场景请转向别的方案。
- 许可碎片化，OmniVoice、YuE2、Breeze TTS 2 权重限非商用，商用需逐项核对。
- 项目太年轻，社区生态、第三方教程和周边工具都在建设中。
- 长文本稳定性依赖手动调分块参数，开箱不等于开箱即好。
适用人群
对号入座之前，先看清自己的硬件和用途。
- 有声书与播客作者：长稿多角色配音，多 take 对比能提升成片效率，本地生成零边际成本。
- 短视频与漫剧团队：零样本克隆固定角色声线，全片音色一致，高频产出不烧钱。
- 独立音乐人：ACE-Step 出 demo、乐谱写 MIDI，灵感到成品都在本机完成。
- 隐私敏感的企业场景：内部培训、未发布产品宣传片，声纹不出内网。
- 开发者：CLI 和 MCP 可以把音频生成接进自动化流水线。
两类人建议绕道。只需要一次性配个音的用户，下载模型和等待安装的时间可能比收益高；没有独立显卡、硬盘也紧张的轻薄本用户，Kokoro 之外的模型都很勉强。商用前务必逐个核对模型权重许可，这是开源项目最常见的翻车点。
FAQ
挑几个被问得最多的问题集中答一遍。
Q1：YoVoice 完全免费吗？
A1：软件本体完全免费。 代码采用 Apache 2.0 协议，本地推理不按字符或分钟计费。但要注意，OmniVoice、YuE2 和 Breeze TTS 2 的模型权重限非商业用途，商用前需逐项核对许可条款。
Q2：必须联网才能用吗？
A2：下载阶段需要，推理阶段不需要。 模型下载和首次初始化要联网，之后语音合成、克隆、乐谱渲染全部离线完成。内置 AI 助手如果选择连接云端 API，那部分调用会走对应服务的计费规则。
Q3：没有显卡能跑吗？
A3：能，但只能跑轻量模型。 Kokoro-82M 的 Q8 版本只有 190MB，4GB 内存的 CPU 就能流畅运行。声音克隆建议 4 到 6GB 显存，AI 作曲要 12GB 以上，Windows 端支持 CPU、CUDA 和实验性 Vulkan 三种后端。
Q4：和 ElevenLabs 比该怎么选？
A4：看频次和隐私，不是看绝对质量。 高频改稿、素材敏感选 YoVoice，边际成本为零；追求极致自然度、需要低延迟 API 且用量不大，ElevenLabs 的订阅更省心，截至 2026 年 10 月其入门档为每月 6 美元。
Q5：克隆别人的声音合法吗？
A5：只有拿到授权才合法。 克隆真实人物的声音需取得本人许可，避免冒充、误导或侵权。参考音频同样要确认来源合法，成品用于商业场景前建议保留授权记录。
Q6：支持哪些语言？
A6：取决于所选模型，不是一刀切。 IndexTTS 2.5 覆盖中日英西阿，Qwen3-TTS 支持十一种语言自动检测，ACE-Step 的演唱语言超过五十种。应用界面本身有十二种语言，切换不用重启。
Q7：能生成完整的歌曲吗？
A7：可以，质量看模型档位。 用风格提示词加带 [verse]、[chorus] 标记的歌词，ACE-Step 1.5 Turbo 或 YuE2 3B 都能生成带人声的歌曲，时长可选 10 到 300 秒，纯音乐打开 Instrumental 即可。
Q8：Windows 要自己装 CUDA 吗？
A8：不用，选对安装包就行。 Releases 页面提供捆绑 CUDA 12.4 和 13.3 运行时的专用版本，NVIDIA 用户下载对应包即可，首次启动就能调用显卡；安装器还会自动补装 WebView2。
Q9：长文本生成出现拖音、重复怎么办？
A9：先砍分块，再降温度。 这是 Breeze TTS 2 的已知特性，把文本块缩到 80 到 120 字，temperature 降到 0.6 到 0.8，多数情况能解决；仍不理想就把 guidance_scale 提到 3 到 4。
Q10：生成的音频和工程存在哪里？
A10：默认在用户目录的 ~/.yovoice。 卸载桌面应用不会删除这里的作品和模型文件，重装后可以直接继续之前的项目。换电脑迁移时，拷贝这个文件夹即可带走全部素材。
Q11：有手机版或网页版吗？
A11：目前都没有。 只有 macOS 14 以上的 Apple Silicon 和 Windows 10/11 x64 桌面端。想让手机用上，可以考虑通过 yovoice serve 起服务，但延迟和体验取决于网络，官方并未提供移动端支持。
结尾
绕回最开始的问题：YoVoice 能不能替代云端配音？对高频改稿的内容创作者，能；对偶尔配一次音的轻度用户，不值当装这一套。
它的真正价值不在单项质量，而在把配音、克隆、作曲、编曲整合进一个本地应用，让音频创作的边际成本降到零，同时把素材留在自己硬盘上。对一个上线一个月、连发五个版本的项目来说，完成度已经超出预期。
当然要保留耐心：许可碎片化、流式短板、社区生态年轻，都是现阶段的真实约束，商用前逐项核对模型许可这一步不能省。适合就上手，不适合等它再迭代几个版本也不亏。软件本体采用 Apache 2.0 协议，完全免费，官网和 GitHub Releases 都能直接下载。