Voicebox 完全ガイド：オープンソース AI ボイスワークステーション、ローカルで声のクローニング、音声生成、グローバルディクテーション

一言で言うと： Voicebox は完全にローカルで動作するオープンソースの AI ボイスワークステーション——ElevenLabs の声のクローニング + WisprFlow のグローバルディクテーションが、たった一つのアプリで全部できちゃう。しかも無料。

何ができるの？

Voicebox は jamiepine が開発したオープンソースの AI ボイスワークステーションで、GitHub 上で既に 45,000+ Star を獲得。現在もっともホットなローカルボイスツールの一つです。

解決する核心問題はすごくシンプル：音声の入出力は、クラウドに依存するべきじゃない。

• 音声出力（TTS）： 7 つの TTS エンジンから選べて、23 言語に対応。ゼロショット声のクローニングは数秒の音声だけで OK
• 音声入力（STT）： グローバルホットキーでディクテーション、Whisper ベースのローカル音声→文字変換
• AI 統合： MCP サーバーを内蔵。Claude Code、Cursor などの AI コーディングアシスタントに「声」を与える

ElevenLabs（音声出力だけ）や WisprFlow（音声入力だけ）とは違って、Voicebox は両方そろえて、さらにローカル LLM を仲介役としてテキストのブラッシュアップ、ペルソナ設定、トーン調整まで全部自分のマシン上でやってくれる。

核心機能一览

インストール

macOS（推奨）

DMG インストーラーを直接ダウンロード：

# Apple Silicon（M1/M2/M3/M4）
# https://voicebox.sh/download/mac-arm からダウンロード

# Intel Mac
# https://voicebox.sh/download/mac-intel からダウンロード

ダウンロード後、DMG をダブルクリックして Applications にドラッグするだけ。初回起動時に macOS が「開発元を検証できません」と表示する場合は、システム設定 → プライバシーとセキュリティ で「許可する」をクリック。

Windows

# MSI インストーラーをダウンロード
# https://voicebox.sh/download/windows からダウンロード
# ダブルクリックでインストール、NVIDIA GPU があれば CUDA を自動設定

Docker（クロスプラットフォーム）

# リポジトリをクローン
git clone https://github.com/jamiepine/voicebox.git
cd voicebox

# 起動
docker compose up -d

# Web UI にアクセス
open http://localhost:3000

Linux

Linux 用のプレビルドパッケージはないので、ソースからビルドする必要がある：

# 依存関係をインストール
sudo apt install -y build-essential pkg-config libssl-dev \
  libasound2-dev libjack-dev portaudio19-dev

# Rust + Tauri 依存関係をインストール
curl --proto '=https' --tlsv1.2 -sSf https://sh.rustup.rs | sh
source $HOME/.cargo/env

# クローンしてビルド
git clone https://github.com/jamiepine/voicebox.git
cd voicebox
cargo tauri build

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

詳しい Linux ビルドガイドは：voicebox.sh/linux-install

クイックスタート：5 分で最初の音声を生成

ステップ 1：TTS エンジンを選ぶ

Voicebox を起動したら、上部のエンジンセレクターで TTS エンジンを選ぼう。初心者はまず Kokoro から始めるのがおすすめ——パラメータはわずか 82M、CPU でも動いて最速。

ステップ 2：テキストを入力して音声生成

テキストボックスに内容を入力して、生成ボタンをクリック：

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

初回生成時、Voicebox が対応するエンジンモデルファイルを自動ダウンロードする（だいたい 100MB〜2GB）。ちょっと待ってね。次回以降はダウンロード不要。

ステップ 3：試聴＆調整

生成が完了したら： - プレイボタンで試聴 - スピードやピッチを調整 - オーディオエフェクト（リバーブ、ピッチシフトなど）を追加 - 再生成（ランダムシードを変えて、別の演绎を得る）

上級機能

声のクローニング：数秒の音声でどんな声でも複製

Voicebox の最強機能の一つ。

1. 5〜30 秒 のクリアな音声ファイルを準備（WAV/MP3/FLAC どれでも OK）
2. Profiles → Create Profile へ
3. 音声ファイルをアップロードするか、アプリ内で直接録音
4. 声に名前をつけて、言語タグを選択
5. 保存したら、音声生成時にその Profile を選ぶだけ

# サポートされているクローニングエンジン：
# - Qwen3-TTS：高品質な多言語クローニング
# - Chatterbox シリーズ：ゼロショットクローニング
# - Kokoro：プリセット音がメイン、クローニング能力は限定的

# コツ：
# - リファレンス音声はクリアなほどいい
# - BGM やノイズは避ける
# - 複数セグメントのリファレンス音声で品質向上も可能

グローバルディクテーション：どのアプリでも音声入力

Voicebox のグローバルディクテーション機能を使えば、どんなテキスト入力欄でも音声で入力できる：

macOS での設定： 1. Voicebox → Settings → Dictation を開く 2. Global Hotkey を有効化（デフォルト Option + Space） 3. アクセシビリティ と 入力監視 の権限を付与 4. Whisper モデルサイズを選択（Turbo がおすすめ。速くて高品質）

使い方： - プッシュ・トゥ・トークモード： ホットキーを押している間喋って、離すと自動で文字変換＆ペースト - トグルモード： ホットキーを一度押して録音開始／停止

# Whisper モデル選択の目安：
# - Turbo：Large の約 8 倍速、品質低下は極めて小さい（おすすめ）
# - Base：最小・最速、シンプルなシーンに
# - Medium：バランス型
# - Large：最高品質、そこそこの GPU が必要

オーディオエフェクト：8 種類のポストプロセッシング

音声生成後、プロフェッショナル級のオーディオエフェクトを追加できる：

# 内蔵プリセット 4 種：
# - Robotic：ロボティックエフェクト
# - Radio：ラジオ風
# - Echo Chamber：エコーチェンバー
# - Deep Voice：深みのある低音

# 8 種類の調整可能エフェクト：
# 1. Pitch Shift    — ピッチシフト（±12 セミトン）
# 2. Reverb         — リバーブ（部屋の大きさ、ダンピング、DRY/WET 比）
# 3. Delay          — ディレイエコー
# 4. Chorus/Flanger — コーラス／フランジャー
# 5. Compressor     — ダイナミックコンプレッション
# 6. Gain           — 音量調整（-40 〜 +40 dB）
# 7. High-Pass      — ハイパスフィルター
# 8. Low-Pass       — ローパスフィルター

エフェクトはプリセットとして保存できるし、特定の声音 Profile にデフォルトとして紐付けることも可能。

MCP 統合：AI コーディングアシスタントに「声」を与える

Voicebox は MCP サーバーを内蔵していて、Claude Code、Cursor、Cline などの AI ツールが直接音声機能を呼び出せる。

設定方法：

// MCP 設定ファイルに追加：
{
  "mcpServers": {
    "voicebox": {
      "command": "voicebox",
      "args": ["--mcp"]
    }
  }
}

設定完了後、AI アシスタントが voicebox.speak ツールを呼び出して、クローンした声音でコードの説明やデバッグ情報などを読み上げてくれる。

上級テクニック — 声音ペルソナ：

声音 Profile に「ペルソナ描述」を紐付けると、Voicebox が内蔵のローカル LLM でテキストをスタイル化してくれる：

ペルソナの例：
「あなたは経験豊富な Linux システム管理者。
説明は簡潔でズバリ、時々テクニカルなユーモアを交える。
問題を説明するときは比喩を使うのが好き。」

AI アシスタントは MCP 経由でこれらのモードもトリガーできる：Compose（創作）、Rewrite（リライト）、Respond（返信）。

Stories エディター：マルチトラック音声ナラティブ

Stories はマルチトラックのタイムラインエディターで、以下の制作に使える： - 複数キャラクターの会話 - ポッドキャスト番組 - オーディオブックのチャプター - 音声プレゼンテーション

# 基本操作：
# 1. Story 作成 → Track を追加（各 Track が一つの声音に対応）
# 2. 各 Track で音声セグメントを生成／ドラッグ
# 3. タイムライン上でドラッグして並び替え
# 4. セグメントのトリミング・分割も可能
# 5. 自動再生、プレイヘッドの同期
# 6. 完成した音声ファイルとしてエクスポート

REST API 開発者向けインターフェース

Voicebox は完全な REST API を提供していて、自分のアプリに簡単に統合できる：

# 音声生成
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
  }'

# 声のクローニング
curl -X POST http://localhost:9876/api/profiles \
  -F "name=my-clone" \
  -F "audio=@reference.wav"

# 音声→文字変換
curl -X POST http://localhost:9876/api/transcribe \
  -F "audio=@recording.wav" \
  -F "model=turbo"

# 全ての声音 Profile を一覧
curl http://localhost:9876/api/profiles

API は SSE（Server-Sent Events）によるリアルタイム状態プッシュにも対応。生成処理はノンブロッキング。

ハードウェア要件

プラットフォームアクセラレーション対応： - macOS： MLX / Metal（Apple Silicon ネイティブ最適化） - Windows： CUDA（NVIDIA）、DirectML（AMD/Intel） - Linux： CUDA、ROCm（AMD）、Intel Arc

競合製品との比較

まとめ

Voicebox は現在最も完成度の高いオープンソースのローカル音声ソリューション。声のクローニング、音声合成、グローバルディクテーション、オーディオポストプロセッシング、AI 統合をすべて一つのネイティブアプリにまとめて、完全無料・データはローカルに留まる。

こんな人におすすめ： - 開発者：MCP 統合で AI コーディングアシスタントに声を与える - コンテンツクリエイター：ローカルでナレーション生成、有料 API 不要 - プライバシー重視の方：全データローカル処理 - ポッドキャスト／オーディオブック制作者：Stories マルチトラック編集

プロジェクト URL： github.com/jamiepine/voicebox 公式サイト： voicebox.sh ドキュメント： docs.voicebox.sh License： オープンソース

この記事が役に立ったら、ぜひ他の開発者にもシェアしてください。質問や感想はコメント欄で気軽にどうぞ！