Voicebox Kompletter Leitfaden: Open-Source KI-Sprachworkstation – Klonen, Spracherzeugung & Globales Diktat lokal

Auf einen Blick: Voicebox ist eine komplett lokal laufende, quelloffene KI-Sprachworkstation – das Voice Cloning von ElevenLabs plus das globale Diktat von WisprFlow, alles in einer App und dazu noch kostenlos.

Was ist das?

Voicebox ist eine von jamiepine entwickelte Open-Source-KI-Sprachworkstation mit bereits 45.000+ Stars auf GitHub – eines der beliebtesten lokalen Sprachtools überhaupt.

Es löst ein einfaches Kernproblem: Spracheingabe und Sprachausgabe sollten nicht von der Cloud abhängen.

• Sprachausgabe (TTS): 7 TTS-Engines zur Auswahl, 23 Sprachen, Zero-Shot-Voice-Cloning mit nur wenigen Sekunden Audio
• Spracheingabe (STT): Globales Hotkey-Diktat, lokales Speech-to-Text basierend auf Whisper
• KI-Integration: Eingebauter MCP-Server, damit KI-Programmierassistenten wie Claude Code und Cursor „sprechen" können

Im Gegensatz zu ElevenLabs (nur Sprachausgabe) oder WisprFlow (nur Spracheingabe) vereint Voicebox beide Seiten – und setzt noch einen lokalen LLM als Brücke dazwischen. Textglättung, Persönlichkeitsprofile, Stilanpassung, alles auf deinem eigenen Rechner.

Kernfunktionen auf einen Blick

Installation

macOS (empfohlen)

Einfach das DMG-Installationspaket herunterladen:

# Apple Silicon (M1/M2/M3/M4)
# Besuche https://voicebox.sh/download/mac-arm zum Download

# Intel Mac
# Besuche https://voicebox.sh/download/mac-intel zum Download

Nach dem Download doppelklicke das DMG und ziehe es in den Applications-Ordner. Beim ersten Start kann macOS eine Warnung zeigen – gehe dann zu Systemeinstellungen → Datenschutz & Sicherheit und klicke auf „Trotzdem öffnen".

Windows

# MSI-Installationspaket herunterladen
# Besuche https://voicebox.sh/download/windows zum Download
# Doppelklick zur Installation, CUDA wird automatisch konfiguriert (falls NVIDIA-GPU vorhanden)

Docker (plattformübergreifend)

# Repository klonen
git clone https://github.com/jamiepine/voicebox.git
cd voicebox

# Starten
docker compose up -d

# Web UI öffnen
open http://localhost:3000

Linux

Für Linux gibt es keine vorkompilierten Pakete – man muss aus dem Quellcode bauen:

# Abhängigkeiten installieren
sudo apt install -y build-essential pkg-config libssl-dev \
  libasound2-dev libjack-dev portaudio19-dev

# Rust + Tauri Abhängigkeiten installieren
curl --proto '=https' --tlsv1.2 -sSf https://sh.rustup.rs | sh
source $HOME/.cargo/env

# Klonen und bauen
git clone https://github.com/jamiepine/voicebox.git
cd voicebox
cargo tauri build

# Ausführen
./src-tauri/target/release/voicebox

Detaillierte Anleitung: voicebox.sh/linux-install

Schnellstart: In 5 Minuten die erste Sprachausgabe erzeugen

Schritt 1: TTS-Engine auswählen

Nach dem Start von Voicebox wähle oben im Engine-Selektor eine TTS-Engine aus. Für Einsteiger empfiehlt sich Kokoro – nur 82M Parameter, läuft schon auf der CPU und ist am schnellsten.

Schritt 2: Text eingeben und generieren

Gib einen Text ins Eingabefeld ein und klicke auf Generieren:

Hello, welcome to Voicebox. This is a demo of local AI voice synthesis.

Beim ersten Mal lädt Voicebox automatisch die passenden Modelldateien herunter (ca. 100MB–2GB) – einfach kurz warten. Danach ist kein weiterer Download nötig.

Schritt 3: Anhören und anpassen

Nach der Generierung kannst du: - Zur Vorschau abspielen - Geschwindigkeit und Tonhöhe anpassen - Audioeffekte hinzufügen (Hall, Pitch-Shift etc.) - Neu generieren (anderer Random Seed = andere Interpretation)

Fortgeschrittene Funktionen

Voice Cloning: Jede Stimme mit wenigen Sekunden kopieren

Eine der mächtigsten Funktionen von Voicebox.

1. Bereite eine 5–30 Sekunden lange, klare Audiodatei vor (WAV/MP3/FLAC)
2. Gehe zu Profiles → Create Profile
3. Lade die Audiodatei hoch oder nutze die integrierte Aufnahme
4. Vergib einen Namen und wähle ein Sprach-Label
5. Nach dem Speichern kannst du beim Generieren dieses Profil auswählen

# Unterstützte Cloning-Engines:
# - Qwen3-TTS: Hochwertiges mehrsprachiges Cloning
# - Chatterbox-Serie: Zero-Shot-Cloning
# - Kokoro: Hauptsächlich Preset-Stimmen, begrenztes Cloning

# Tipps:
# - Je klarer das Referenzaudio, desto besser das Ergebnis
# - Hintergrundmusik und Rauschen vermeiden
# - Mehrere Referenzaudios steigern die Qualität

Globales Diktat: Spracheingabe in jeder App

Mit dem globalen Diktat kannst du überall per Spracheingabe tippen:

macOS-Konfiguration: 1. Voicebox öffnen → Settings → Dictation 2. Global Hotkey aktivieren (Standard: Option + Space) 3. Bedienungshilfen und Eingabeüberwachung erlauben 4. Whisper-Modellgröße wählen (Empfehlung: Turbo – schnell und gut)

Nutzungsmodi: - Push-to-Talk: Hotkey gedrückt halten, sprechen, loslassen → Text wird eingefügt - Toggle-Modus: Hotkey antippen = Start/Stopp der Aufnahme

# Whisper-Modell-Empfehlungen:
# - Turbo: ~8x schneller als Large, kaum Qualitätsverlust (Empfehlung)
# - Base: Klein und schnell, für einfache Szenarien
# - Medium: Gute Balance
# - Large: Beste Qualität, braucht gute GPU

Audioeffekte: 8 Post-Processing-Tools

Nach der Spracherzeugung lassen sich professionelle Audioeffekte hinzufügen:

# 4 eingebaute Presets:
# - Robotic: Roboter-Effekt
# - Radio: Radio-Klang
# - Echo Chamber: Hallraum
# - Deep Voice: Tiefe Stimme

# 8 einstellbare Effekte:
# 1. Pitch Shift    — Tonhöhe (±12 Halbtöne)
# 2. Reverb         — Hall (Raumgröße, Dämpfung, Dry/Wet)
# 3. Delay          — Verzögerungsecho
# 4. Chorus/Flanger — Chor/Flanger-Effekt
# 5. Compressor     — Dynamik-Kompression
# 6. Gain           — Lautstärke (-40 bis +40 dB)
# 7. High-Pass      — Hochpassfilter
# 8. Low-Pass       — Tiefpassfilter

Effekte lassen sich als Preset speichern oder an ein bestimmtes Stimme-Profil als Standard binden.

MCP-Integration: KI-Programmierassistenten „sprechen" lassen

Voicebox hat einen eingebauten MCP-Server, den Claude Code, Cursor, Cline und andere KI-Tools direkt nutzen können.

Konfiguration:

// In deiner MCP-Konfigurationsdatei hinzufügen:
{
  "mcpServers": {
    "voicebox": {
      "command": "voicebox",
      "args": ["--mcp"]
    }
  }
}

Danach kann der KI-Assistent das Tool voicebox.speak aufrufen und Code-Erklärungen, Debug-Infos etc. mit deiner geklonten Stimme vorlesen lassen.

Fortgeschritten – Stimmen-Persönlichkeit:

Hänge eine „Persönlichkeitsbeschreibung" an ein Stimme-Profil. Voicebox nutzt den eingebauten lokalen LLM für stilistische Textanpassungen:

Beispiel-Persönlichkeit:
„Du bist ein erfahrener Linux-Systemadministrator, sprichst knapp und direkt,
mit trockenem Techniker-Humor. Erklärst gerne mit Vergleichen."

KI-Assistenten können über MCP auch diese Modi nutzen: Compose (Erstellen), Rewrite (Umschreiben), Respond (Antworten).

Stories-Editor: Multitrack-Sprachnarrative

Stories ist ein Multitrack-Timeline-Editor, ideal für: - Dialoge mit mehreren Charakteren - Podcast-Folgen - Hörbuch-Kapitel - Sprachpräsentationen

# Grundlegende Bedienung:
# 1. Story erstellen → Tracks hinzufügen (jeder Track = eine Stimme)
# 2. Audio-Segmente pro Track erzeugen oder reinziehen
# 3. Auf der Timeline per Drag & Drop sortieren
# 4. Segmente zuschneiden oder teilen
# 5. Automatische Wiedergabe mit synchronisiertem Playhead
# 6. Als komplette Audiodatei exportieren

REST API für Entwickler

Voicebox bietet eine vollständige REST API zur Integration in eigene Anwendungen:

# Sprachausgabe erzeugen
curl -X POST http://localhost:9876/api/generate \
  -H "Content-Type: application/json" \
  -d '{
    "text": "Hello world",
    "engine": "kokoro",
    "voice": "af_heart",
    "speed": 1.0
  }'

# Voice Cloning
curl -X POST http://localhost:9876/api/profiles \
  -F "name=my-clone" \
  -F "audio=@reference.wav"

# Speech-to-Text
curl -X POST http://localhost:9876/api/transcribe \
  -F "audio=@recording.wav" \
  -F "model=turbo"

# Alle Stimme-Profile auflisten
curl http://localhost:9876/api/profiles

Die API unterstützt SSE (Server-Sent Events) für Echtzeit-Statusupdates – die Generierung läuft nicht-blockierend.

Hardware-Anforderungen

Plattform-Beschleunigung: - macOS: MLX / Metal (Apple-Silicon-Optimierung) - Windows: CUDA (NVIDIA), DirectML (AMD/Intel) - Linux: CUDA, ROCm (AMD), Intel Arc

Vergleich mit Alternativen

Fazit

Voicebox ist die umfassendste Open-Source-Lösung für lokale Sprachverarbeitung. Voice Cloning, Sprachsynthese, globales Diktat, Audio-Postprocessing und KI-Integration – alles in einer nativen App, komplett kostenlos und ohne Datenabfluss.

Für wen ist es? - Entwickler: MCP-Integration gibt KI-Programmierassistenten eine Stimme - Content-Ersteller: Lokale Sprachgenerierung ohne teure APIs - Datenschutz-Bewusste: Alles lokal, keine Cloud - Podcast-/Hörbuch-Produzenten: Stories-Multitrack-Editor

Projekt: github.com/jamiepine/voicebox Website: voicebox.sh Dokumentation: docs.voicebox.sh Lizenz: Open Source

War dieser Artikel hilfreich? Teile ihn gerne mit anderen Entwicklern. Fragen und Feedback sind in den Kommentaren willkommen!