yovoice — 本地化开源声音创作工具｜音色复刻｜情绪控制｜ TTS 模型

给视频配旁白的人，大多绕不开同一个循环：稿子改一版，声音就得重录一遍。找人录要排期，用在线服务按字数掏钱，稿子还得先传到对方机器上。今天给大家推荐一下这个名为 yovoice 的应用：把模型下到自己电脑里，录一段自己的声音，让稿子照这个声音念出来。

yovoice 是给 macOS 和 Windows 做的声音创作工具，装在电脑上把文字念成语音，顺带管着音色和成品。放在本地AI 这一挂里，它属于把整条流程都留在机器上的那种：不调云端接口，不按字数计费，参考音频和模型也不出本机。

安装形态上，macOS 要 14 以上、Apple 芯片的机器，Windows 要 10 或 11 的 64 位版本。模型在应用内下载，卸载后用户目录下的作品与模型会保留。它是开源软件，代码公开在仓库里。

场景痛点

做播客或者口播视频的人，最耗神的往往不是写稿，而是改稿之后那一步。一段两百字的旁白，改到第八版就得录第八遍，语气还得跟前面几段对上。找人代录要排期、要返工；用在线服务，长稿念下来开销不小，未公开的内容还要先传到别人服务器上，这步很多人过不去。

自己动手也不轻松：装环境、下模型、敲命令，对不写代码的人是道坎。就算跑通了，换语气、换音色往往又是一轮折腾。归到音频处理这一类看，缺的不是能出声的工具，而是出声之后还能反复改、又不把内容交出去的。

音色与表达 — 跟随参考音色、模仿参考演绎、调整情绪，或用文字描述想要的表达方式。
完整音频流程 — 导入或录制参考音频、裁剪片段、试听语音、导出作品。
声音设计与克隆 — VoxCPM2 支持文字设计音色、带风格指导的克隆及参考原文辅助的精细克隆，自动多语言、48 kHz 输出。
本地模型 — 通过 audio.cpp 运行 IndexTTS 2.0 / 2.5、VoxCPM2、OmniVoice 和 Qwen3-TTS，支持模型下载续传与 GGUF 导入。
硬件加速 — Apple Silicon 支持 Metal；Windows 支持 CPU、NVIDIA CUDA 和实验性 Vulkan。
Agent Skill — 让 AI Agent 准备本地语音生成环境，根据文稿和参考音频完成配音。

第一条路是克隆：导入或录一段 1 到 60 秒的音频，之后的稿子照这个声音念。第二条路是设计：不给参考音频，用一句话描述想要的声音，年轻女声、低沉男声都行，三个模型支持这种玩法。第三条路是直接用现成的，其中一个模型自带九种内置音色，用文字就能改风格。

想更贴近就得给原文：提供录音时把这段音频实际说的话一并交给它。OmniVoice 把这一步设成硬性要求，不给原文就走不通。

情绪这层有四种入口：直接说想要什么情绪、照着一段参考演绎来、自己填一组数值，或交给它随机挑。可填的情绪有八个维度，高兴、愤怒、悲伤、害怕、厌恶、低落、惊讶、平静，强度能调。念错的字也能改：其中一个模型支持在正文里给字标注发音，选中即可调。

正文里还能插标签，写一句「你好」再跟一个笑声标记，生成出来就是带着笑声的一句，这类标签有十几种。

长稿不一次念完，而是切成几段分别生成，段与段之间可留停顿。切多长、怎么切都能调，也可交给模型自己定。生成不是边念边出声，而是整段做完才播放。其中一个模型遇异常会自动重试，最多三次。对要反复改稿的人，这属于效率工具的思路：改完一段，重生成这段就行。

成品、音色和设置都放在用户目录下的固定文件夹里，卸载也还在；以往作品能在历史记录里翻出来，参数一并留着。

苹果芯片走 Metal；Windows 自带 CPU 内核，装好就能用，想用英伟达显卡要在设置里另下内核，另有一套实验性方案。模型在应用内下载，下到一半断网可以接着下；已有模型文件也能直接导入登记。作为 AI工具，把选择权留在本地是它最不一样的地方。

除了桌面应用，官方还有独立的命令行版本，支持苹果芯片的 macOS、64 位 Windows 和 Linux，也不用另外准备网页运行库。装好配套技能后，可以直接对智能体说一句：用这段录音的音色念这份稿子，语气平静，存成文件。剩下的交给它在后台跑完。

第一步，装应用。在发布页选对应平台的安装包：macOS 是磁盘映像，打开后把图标拖进应用程序文件夹；Windows 是安装向导，装完从开始菜单打开。缺少网页运行库时安装器会联网补装。归到实用软件里，它属于装完还要再走一步的。

第二步，下模型。第一次用先到设置里挑一个模型下载，体积 1.35 GB 到 8.08 GB，机器一般就先试小的。Windows 版已内置 CPU 内核，要用英伟达显卡再下内核。

第三步，加音色。录一段或导入一段 1 到 60 秒的音频，起个名字；不想录音就用文字描述，或直接用内置音色。参考音频支持常见的七八种音频格式，最长 60 秒，最大 20 MB。

第四步，生成与导出。把稿子贴进去，选情绪或语气，点生成，听完满意再导出；成品是 wav 文件，历史记录里能找回。归到 AI相关这一类，整套流程不联网也能走完。

第一点，音色这层的门槛是分层的：不想录音就描述，有录音就克隆，想更贴近再补原文。

第二点，本地不是口号。模型、参考音频、成品都在本机，不调云端接口，也不按字数收费；代价写在明面上——模型动辄几个 GB，机器得撑得住。

第三点，边界交代得清楚。有一个模型权重只能用于非商业用途，另有一个模型自带单独协议；所有模型都整段生成完才出声，不是边生成边听；同一数据目录不能被桌面应用和命令行同时占用，关掉窗口不算退出，要走退出菜单。

第四点，影音编辑这个分类放在它身上稍宽，但方向没错：配音从找人、买服务变成机器上的一道工序，改稿重录终于不用再看排期。