Guide complet Voicebox : Station de travail vocale IA open source, clonage vocal local, synthèse vocale et dictée globale

En une phrase : Voicebox est une station de travail vocale IA open source qui fonctionne entièrement en local — clonage vocal comme ElevenLabs + dictée globale comme WisprFlow, le tout dans une seule application, et c'est gratuit.

C'est quoi ?

Voicebox est une station de travail vocale IA open source développée par jamiepine. Elle a déjà récolté 45 000+ étoiles sur GitHub et c'est l'un des outils vocaux locaux les plus populaires actuellement.

Le problème qu'elle résout est simple : l'entrée et la sortie vocales ne devraient pas dépendre du cloud.

• Sortie vocale (TTS) : 7 moteurs TTS au choix, 23 langues supportées, clonage vocal zero-shot avec juste quelques secondes d'audio
• Entrée vocale (STT) : Dictée par raccourci global, conversion voix-texte locale basée sur Whisper
• Intégration IA : Serveur MCP intégré pour faire "parler" les assistants de programmation IA comme Claude Code ou Cursor

Contrairement à ElevenLabs (qui fait seulement la sortie vocale) ou WisprFlow (qui fait seulement l'entrée vocale), Voicebox gère les deux. Il ajoute un LLM local comme pont intermédiaire — polishing de texte, définition de personnalité, ajustement de ton, tout se passe sur votre machine.

Aperçu des fonctionnalités clés

Installation

macOS (recommandé)

Téléchargez directement le package DMG :

# Apple Silicon (M1/M2/M3/M4)
# Visitez https://voicebox.sh/download/mac-arm pour télécharger

# Intel Mac
# Visitez https://voicebox.sh/download/mac-intel pour télécharger

Après le téléchargement, double-cliquez sur le DMG et glissez-le dans Applications. Au premier lancement, macOS peut afficher "Impossible de vérifier le développeur". Allez dans Préférences Système → Confidentialité et sécurité et cliquez sur "Ouvrir quand même".

Windows

# Téléchargez le package MSI
# Visitez https://voicebox.sh/download/windows pour télécharger
# Double-cliquez pour installer, configuration automatique de CUDA (si GPU NVIDIA présent)

Docker (multiplateforme)

# Cloner le dépôt
git clone https://github.com/jamiepine/voicebox.git
cd voicebox

# Démarrer
docker compose up -d

# Accéder à l'interface web
open http://localhost:3000

Linux

Linux n'a pas encore de package précompilé, vous devez construire depuis les sources :

# Installer les dépendances
sudo apt install -y build-essential pkg-config libssl-dev \
  libasound2-dev libjack-dev portaudio19-dev

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

# Cloner et construire
git clone https://github.com/jamiepine/voicebox.git
cd voicebox
cargo tauri build

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

Guide détaillé pour la construction Linux : voicebox.sh/linux-install

Démarrage rapide : générer votre premier audio en 5 minutes

Étape 1 : Choisir un moteur TTS

Après avoir lancé Voicebox, sélectionnez un moteur TTS dans le sélecteur en haut. Pour les débutants, commencez avec Kokoro — il n'a que 82M paramètres, fonctionne sur CPU et est le plus rapide.

Étape 2 : Saisir du texte et générer l'audio

Saisissez votre contenu dans la zone de texte et cliquez sur générer :

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

À la première génération, Voicebox téléchargera automatiquement les fichiers modèle du moteur correspondant (généralement 100MB-2GB). Soyez patient. Les utilisations suivantes n'auront plus besoin de téléchargement.

Étape 3 : Écouter et ajuster

Une fois la génération terminée, vous pouvez : - Cliquer pour écouter l'aperçu - Ajuster la vitesse et le ton - Ajouter des effets audio (réverbération, changement de ton, etc.) - Régénérer (changer la graine aléatoire pour obtenir une interprétation différente)

Fonctionnalités avancées

Clonage vocal : copier n'importe quelle voix avec quelques secondes d'audio

C'est l'une des fonctionnalités les plus puissantes de Voicebox.

1. Préparez un audio vocal clair de 5-30 secondes (WAV/MP3/FLAC acceptés)
2. Allez dans Profiles → Create Profile
3. Téléchargez le fichier audio ou enregistrez directement depuis l'application
4. Donnez un nom à la voix et sélectionnez l'étiquette de langue
5. Après sauvegarde, sélectionnez ce Profile lors de la génération vocale

# Moteurs de clonage supportés :
# - Qwen3-TTS : clonage multilingue haute qualité
# - Série Chatterbox : clonage zero-shot
# - Kokoro : principalement des voix prédéfinies, capacités de clonage limitées

# Conseils :
# - Plus l'audio de référence est clair, meilleur sera le clonage
# - Évitez la musique de fond et le bruit
# - Supporte plusieurs audios de référence pour améliorer la qualité

Dictée globale : saisie vocale dans n'importe quelle application

La fonction de dictée globale de Voicebox vous permet de saisir du texte par la voix dans n'importe quel champ de saisie :

Configuration macOS : 1. Ouvrez Voicebox → Settings → Dictation 2. Activez Global Hotkey (par défaut Option + Space) 3. Accordez les permissions Accessibilité et Surveillance de saisie 4. Sélectionnez la taille du modèle Whisper (Turbo recommandé, rapide et bonne qualité)

Modes d'utilisation : - Mode push-to-talk : Maintenez le raccourci en parlant, relâchez pour convertir et coller automatiquement - Mode bascule : Cliquez sur le raccourci pour démarrer/arrêter l'enregistrement

# Recommandations pour le choix du modèle Whisper :
# - Turbo : ~8x plus rapide que Large, perte de qualité minime (recommandé)
# - Base : le plus petit et rapide, pour des cas simples
# - Medium : choix équilibré
# - Large : meilleure qualité, nécessite un bon GPU

Effets audio : 8 types de post-traitement

Après avoir généré l'audio, vous pouvez ajouter des effets audio professionnels :

# 4 presets intégrés :
# - Robotic : effet robot
# - Radio : effet radio
# - Echo Chamber : chambre d'écho
# - Deep Voice : voix grave

# 8 effets ajustables :
# 1. Pitch Shift    — Changement de ton (±12 demi-tons)
# 2. Reverb         — Réverbération (taille de pièce, amortissement, ratio sec/humide)
# 3. Delay          — Écho de délai
# 4. Chorus/Flanger — Effet chorus/flanger
# 5. Compressor     — Compression dynamique
# 6. Gain           — Ajustement du volume (-40 à +40 dB)
# 7. High-Pass      — Filtre passe-haut
# 8. Low-Pass       — Filtre passe-bas

Les effets peuvent être sauvegardés comme presets et liés à un Profile vocal spécifique comme effet par défaut.

Intégration MCP : faire "parler" les assistants de programmation IA

Voicebox intègre un serveur MCP qui permet aux outils IA comme Claude Code, Cursor et Cline d'accéder directement aux fonctions vocales.

Méthode de configuration :

// Ajoutez ceci dans votre fichier de configuration MCP :
{
  "mcpServers": {
    "voicebox": {
      "command": "voicebox",
      "args": ["--mcp"]
    }
  }
}

Une fois configuré, l'assistant IA peut appeler l'outil voicebox.speak pour lire à haute voix les explications de code, les informations de débogage, etc., avec votre voix clonée.

Fonctionnalité avancée — Personnalité vocale :

Attachez une "description de personnalité" à un Profile vocal. Voicebox utilisera le LLM local intégré pour styliser le texte :

Exemple de personnalité :
"Tu es un administrateur système Linux expérimenté, tu parles de manière concise et directe,
avec parfois un peu d'humour technique. Tu aimes utiliser des analogies pour expliquer les problèmes."

L'assistant IA peut aussi déclencher ces modes via MCP : Compose (création), Rewrite (réécriture), Respond (réponse).

Éditeur Stories : narration vocale multipiste

Stories est un éditeur de timeline multipiste, adapté pour créer : - Dialogues multi-personnages - Émissions de podcast - Chapitres de livres audio - Présentations vocales

# Opérations de base :
# 1. Créer un Story → Ajouter plusieurs Tracks (chaque Track correspond à une voix)
# 2. Générer/glisser des segments vocaux sur chaque Track
# 3. Glisser-déposer pour organiser l'ordre sur la timeline
# 4. Supporte le découpage et la division de segments
# 5. Lecture automatique, synchronisation de la tête de lecture
# 6. Exporter en fichier audio complet

Interface développeur REST API

Voicebox fournit une REST API complète pour l'intégration dans vos propres applications :

# Générer de l'audio
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
  }'

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

# Voix vers texte
curl -X POST http://localhost:9876/api/transcribe \
  -F "audio=@recording.wav" \
  -F "model=turbo"

# Voir tous les Profiles vocaux
curl http://localhost:9876/api/profiles

L'API supporte SSE (Server-Sent Events) pour la transmission d'état en temps réel. Le processus de génération est non-bloquant.

Configuration matérielle requise

Support d'accélération par plateforme : - macOS : MLX / Metal (optimisation native Apple Silicon) - Windows : CUDA (NVIDIA), DirectML (AMD/Intel) - Linux : CUDA, ROCm (AMD), Intel Arc

Comparaison avec la concurrence

Conclusion

Voicebox est actuellement la solution vocale locale open source la plus complète. Elle intègre clonage vocal, synthèse vocale, dictée globale, post-production audio et intégration IA dans une seule application native, le tout entièrement gratuit et sans que les données ne quittent votre machine.

Pour qui : - Développeurs : l'intégration MCP donne une voix aux assistants de programmation IA - Créateurs de contenu : générez des doublages en local sans payer d'API - Utilisateurs sensibles à la confidentialité : toutes les données sont traitées en local - Créateurs de podcasts/livres audio : édition multipiste avec Stories

Adresse du projet : github.com/jamiepine/voicebox Site officiel : voicebox.sh Documentation : docs.voicebox.sh Licence : Open source

Si cet article vous a été utile, n'hésitez pas à le partager avec plus de développeurs. N'hésitez pas à discuter dans les commentaires !