24天暴涨146%,它学会用你的声音接电话了
9月4日,本号发过一篇《3秒录音克隆声音,全程本地免费,ElevenLabs慌了》,写的是一个开源本地语音工具VoiceStudio。当时它有1.67万颗星,一天涨了1600多,我们在文末放了一句狠话:ElevenLabs慌了。
24天后回来对账:星数4.12万,光今天就涨了3086颗,GitHub日榜总榜第3。这期间它连发5个版本,干了一件争议不小的狠事(抛弃Tauri全面转投Electron),还学会了两项新技能——用你的声音说外语,用你的声音接电话。
很少有项目值得"回访",它算一个。
一、先看暴涨曲线
数据说话:
●9月4日:1.67万星
●9月28日:4.12万星,24天涨幅146%
●今日新增:+3086,日榜总榜第3
●Fork数:4882
●期间发布版本:5个(v0.5.2到v0.5.6),平均5天一个
更有意思的是热度来源。Hacker News上没有热帖(9月15日有个帖子只拿了6分),也没查到某个单一的爆点事件,大概率是Trendshift榜单和社交媒体发酵——README头上就挂着Trendshift徽章。这是"民间走红"的曲线,不是大V带货的曲线。
这个项目今年4月9日才创建,5个多月做到4.1万星,主力开发者就一个人:debpalash。
二、这24天,它到底干了什么
翻开发布记录,你会发现这不是靠版本号灌水刷存在感,每个版本都有硬货。
1. 壮士断腕:抛弃Tauri,全面转向Electron
最大的一件事发生在9月17日,v0.5.3,发布标题写得直白:"A new look. Now on Electron."
这意味着:
●全部工作区推倒重做:声音克隆、声音设计、故事、配音、转录,一套新界面
●Electron成为唯一的桌面端和Web UI,覆盖Windows、macOS、Linux三平台
●v0.5.3是最后一个Tauri版本,旧Tauri壳和老UI入口已直接删除
●老Tauri用户必须另装Electron版,安装脚本明说"永不回退到已归档的Tauri构建"
这一步争议不小。Tauri用Rust壳加系统webview,主打包小省内存;Electron自带Chromium,"重"是原罪。社区里有用户把这视为开倒车。
但站在维护者的角度,这笔账算得过来:一套Web技术栈同时伺候三平台加Web UI,不用再为Tauri在各平台webview的差异写适配,UI迭代速度直接起飞。证据就是迁移后的24天里它发了5个版本。用轻量化换迭代速度,对一个处在爆发期、单人主力开发的项目,未必是亏本买卖。
2. 跨语言克隆:用你的声音说外语
v0.5.5(9月22日)带来Cross-language cloning:
●克隆工作区切换声音样本时,不再丢掉你选好的输出语言
●官方给的例子:拿一段英文参考录音,配多语言引擎,直接朗读法语文稿
●Auto模式跟随你输入的文本语言,而不是继承参考声音档案里的语言
对做内容出海的创作者,这个功能的实际意义是:不用为每种语言找配音演员,一次录音,"你"就能用十几种语言说你的内容。当然老规矩,646种语言是引擎目录数,小语种的实际质量取决于你选的引擎,README老老实实挂着benchmarks页面让你自己查。
3. 用你的声音接电话:Twilio集成
v0.5.6(9月23日)是最炸裂的更新:VoiceStudio接上了Twilio。
●通过Twilio媒体流的来电,可以用你保存的克隆声音实时接听
●合成在本机完成,声音数据不上云
●通话agent还能主动外呼,用你的嗓音跟对方对话
这一步让它的定位发生了质变:不再只是"桌面语音工具",而是接进了真实通信链路的声音基础设施。你的AI agent从此不光会写字、会查资料,还能拿起电话,用你的声音开口。
丑话说在前面:这能力是把双刃剑。用克隆声音外呼,在很多司法辖区都踩在披露与同意的红线上。README自己都写了一句"Only clone voices with permission"——工具的能力,不等于你的授权。
4. Agent生态全面铺开
同样是v0.5.6,它把agent接入这件事做扎实了:
●内置MCP服务器,带五个工具:generate_speech、clone_voice、transcribe、list_voices、check_health
●官方给出复制即用的接入配置:Claude Code、Cursor、Codex CLI、OpenAI Agents SDK全覆盖,还顺手修了Docker里MCP返回405的老毛病
●输出模式可选不回传音频内容,替agent省上下文
●安全工程在线:base path边界限制、symlink防护、nofollow描述符
加上之前就有的OpenAI兼容API(base_url指到localhost:3900,现有SDK代码零改动)和技能包,本地AI的"嘴和耳朵"算是配齐了。你的agent工作流里,语音合成、克隆、转录这些环节,从此不用给云厂商交一分钱过路费。
5. 顺手把苦活也干了
大功能之间还夹着不少不显眼但救命的细节:
●v0.5.2:多个TTS引擎一键安装,各自独立环境,来回切换不会弄坏已经跑通的那个
●v0.5.4:CosyVoice运行时修复,有声书音频拼接更干净,EPUB导入更稳,Electron安装失败可恢复、不用重下模型
●v0.5.6:8GB显存的GPU能完整跑完长篇有声书章节;断电或搬数据目录不再丢已渲染的章节;已保存的克隆声音可以替换参考样本
三、实战:现在上车的最短路径
安装
macOS和Linux一条命令(需要curl和SHA-256校验工具):
curl -fsSL https://voicestudio.sh/install | sh
Windows去Releases页下载安装包,Docker部署看docs/install/docker.md。首次启动会自动准备Python环境、下载默认模型(k2-fsa/OmniVoice引擎)。硬件需求因引擎而异,纯CPU也能跑,具体看docs/performance.md。
给你的编码Agent装上一副嗓子
npx skills add debpalash/VoiceStudio
两个技能可选:voicestudio负责音频工作流,voicestudio-maintainer负责仓库维护。Claude Code、Codex、Cursor都认。
跨语言克隆三步走
1. 打开Clone工作区,添加一段干净的参考录音(3秒起步,5到15秒更好)
2. 选一个多语言引擎
3. 输出语言设为目标语言(比如法语),输入对应文本,点Generate
接入MCP
应用的集成页面里直接给出Claude Code、Cursor、Codex CLI、OpenAI Agents SDK的接入配置,复制粘贴即可。接上之后,你的agent就拥有了generate_speech、clone_voice、transcribe、list_voices、check_health五件套。
四、老司机辣评
先说好的:
●迭代速度凶残:24天5个版本,全是实打实的功能,不是版本号通胀
●项目管理干净:4.1万星的项目,开放issue只有27个
●定位有前瞻性:别人还在做"桌面语音工具",它已经在铺"agent的语音基础设施"——API、MCP、技能包、电话线路,一步到位
●叙事一致:全程本地、无账号、无订阅,声音这种生物特征不出本机,这个卖点从头到尾没动摇
再泼冷水:
●单人开发者扛4.1万星,bus factor等于1。哪天他灵感枯竭或者扛不住了,项目怎么办,没人知道
●数据有点微妙:165个watcher、27个open issue,对4.1万星的项目来说比例低得反常。可能是维护得好,也可能是星涨得太快、社区还没沉淀下来。不下定论,交给时间
●Electron迁移对老用户是一刀切:必须重装,不给回头路;体积和内存占用客观上比Tauri高,轻量化这个卖点丢了
●许可证雷区没变:应用本体AGPL-3.0,模型权重各有各的许可,上次点评过的默认引擎NC(禁商用)问题今天依然要逐引擎审查。README原话挂在那:Models have their own licenses; review them before commercial use
●接电话能力是合规雷区:催收、冒充客服这类场景,技术中立,人不中立
●README里出现了付费赞助位(Apply for a paid placement),商业化开始冒头。不是坏事,但免费开源叙事和商业化的平衡,后面值得盯
●这轮暴涨没有明确的事件源,热度曲线的可持续性存疑
适用场景:
●适合:内容出海做多语言配音、给AI agent接语音能力、大批量有声书制作(8GB显卡即可)、隐私敏感的个人和企业内网
●不适合:要求广播级音质且不能折腾的商用交付(许可证加质量方差双重约束)、不愿重装的老Tauri用户、对内存占用极度敏感的人
最后回到24天前的那个标题。当时说"ElevenLabs慌了",有人觉得是标题党。今天回头看,这话说保守了——它现在惦记的不只是ElevenLabs的配音生意,而是给所有本地AI agent当嘴和耳朵。
至于单人开发者能不能接住这泼天的富贵,咱们24天后再来对一次账。
项目地址:https://github.com/debpalash/VoiceStudio

