# yovoice **Repository Path**: hantea/yovoice ## Basic Information - **Project Name**: yovoice - **Description**: yovoice 是一个开源的本地 AI 音频与音乐工作室，支持 macOS 与 Windows，把音色复刻、情绪调节、文稿配音与歌曲创作放进一个本地工作区，语音与音频全部在本地生成 - **Primary Language**: Unknown - **License**: Apache-2.0 - **Default Branch**: main - **Homepage**: https://www.oschina.net/p/yovoice - **GVP Project**: No ## Statistics - **Stars**: 0 - **Forks**: 1 - **Created**: 2026-10-15 - **Last Updated**: 2026-10-15 ## Categories & Tags **Categories**: Uncategorized **Tags**: None ## README

yovoice

yovoice

让文字拥有你的声音，让创意谱成完整乐章。

官网 Version 0.2.0 License: Apache-2.0 macOS 14+ (Apple Silicon) Windows 10/11 (x64)

English · 简体中文

官方网站 · CLI 与 Agent Skill · API / MCP 部署 · 开发指南

--- yovoice 是一款适用于 macOS 和 Windows 的开源、本地优先（Local-first）声音与音乐创作工作台。 在本地将文字转化为自然逼真的语音、整首带人声歌曲或多轨乐谱。支持零样本音色克隆、情绪风格控制、带歌词人声的 AI 音乐生成、多轨 MIDI 编曲渲染与音频工程管理。**完全在本地运行，无云端 API 调用，无按字/按秒扣费开销，无需复杂的 Python 环境配置**，让旁白、配音、有声内容与音乐创作更自主、更私密、更低成本。 ![yovoice 创作工作台，浏览器预览](docs/images/yovoice-workspace.png) --- ## 为什么选择 yovoice？ - 🔒 **100% 本地离线与数据隐私**：所有模型均在本地显卡/CPU 推理，文本稿件和声音样本永远不会上传到第三方云端。 - 💸 **零按字/按秒扣费**：无需订阅昂贵的云端 API（告别 ElevenLabs、Suno、商用配音会员计费）。 - ⚡ **原生 C++ 极速引擎，免配 Python**：基于 [audio.cpp](https://github.com/0xShug0/audio.cpp) v0.9.1 原生构建，支持 macOS Metal 与 Windows NVIDIA CUDA 12.4/13.3 开箱即用，告别 Conda 与 PyTorch 依赖地狱。 - 🎛️ **全流程专业创作流**：多版本试听对比（Takes）、多轨时间轴吸附裁剪、General MIDI 音色库本地渲染与分轨导出（Stems）。 - 🤖 **原生 MCP 与 AI Agent 协创**：支持接入 DeepSeek、通义千问、Claude、OpenAI 或本地 Ollama 自动写歌写谱，并提供 Model Context Protocol (MCP) 服务，支持在 Cursor 或 Claude Code 中直接调用。 --- ## 功能 - **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。 - **音乐生成** — 描述风格、写下带段落标记的歌词，用 ACE-Step 1.5 生成整首歌曲或纯音乐，每次生成都保留为可对比的版本。 - **编曲** — 按小节和拍写下每个声部，或导入 MIDI、交给 Agent 写谱，用 General MIDI 音色库渲染并按角色对齐电平混音；结果可精确复现，可导出 MIDI 和分轨。详见[编曲](docs/score_zh.md)。 - **可选 AI 服务** — 接入 DeepSeek、通义千问、Kimi、OpenAI、Anthropic、Ollama 或任意兼容接口，让 AI 写谱、写歌词；密钥只保存在本机。详见[AI 服务](docs/ai_zh.md)。 - **本地模型** — 通过 audio.cpp 运行 IndexTTS 2.0 / 2.5、VoxCPM2、OmniVoice、Qwen3-TTS、Breeze TTS 2 和 Kokoro，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 & MCP** — 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。 --- ## 硬件配置速查指引 | 创作场景 | 推荐配置 | 适用模型推荐 | | --- | --- | --- | | 🟢 **轻量极速朗读与旁白** | 任何 CPU / 4GB+ 内存 | **Kokoro-82M** (Q8 仅 189 MB，毫秒级合成，纯 CPU 也能飞快运行) | | 🟡 **高音质克隆与声音设计** | 4GB ~ 6GB 显存 / Apple Silicon 8GB+ | **VoxCPM2** (2B, 48kHz)、**IndexTTS 2.0/2.5**、**Qwen3-TTS** | | 🔴 **整首歌生成与伴奏演奏** | 12GB+ 显存 / Apple Silicon 16GB+ | **ACE-Step 1.5 Turbo** (BF16, 10GB)、**YuE2 3B** | --- ## 支持模型 | 模型 | 参数量 | 模型文件大小（按精度） | 核心能力 | | --- | --- | --- | --- | | IndexTTS 2.0 | — | Q8 · 3.63 GB
F16 · 4.65 GB
ORIG · 8.08 GB | 中英音色克隆、情绪控制、参考演绎 | | IndexTTS 2.5 | — | Q8 · 3.50 GB
F16 · 4.55 GB
ORIG · 7.89 GB | 多语言音色克隆、情绪控制、发音调整 | | VoxCPM2 | 2B | Q8 · 2.96 GB
BF16 · 4.77 GB
ORIG · 4.96 GB | 文字设计音色、音色克隆、参考原文辅助的精细克隆 | | OmniVoice | 0.6B | Q8 · 1.35 GB
BF16 · 1.64 GB
F16 · 1.64 GB | 属性设计音色、音色克隆、非语言声音标签 | | Qwen3-TTS Base | 0.6B | Q8 · 1.99 GB
BF16 · 2.52 GB | 参考音色克隆、可选原文辅助、多语言生成 | | Qwen3-TTS Base | 1.7B | Q8 · 2.70 GB
BF16 · 4.20 GB
ORIG · 4.54 GB | 参考音色克隆、可选原文辅助、多语言生成 | | Qwen3-TTS CustomVoice | 1.7B | Q8 · 2.82 GB
BF16 · 4.18 GB | 9 种内置音色、文字控制风格与情绪 | | Qwen3-TTS VoiceDesign | 1.7B | Q8 · 2.82 GB
BF16 · 4.18 GB | 自然语言描述设计音色，无需参考音频 | | Breeze TTS 2 | 约 3B | Q4 · 3.79 GB
Q8 · 5.08 GB
BF16 · 7.34 GB | 中英自然语言设计音色、音色克隆与演绎指导；建议使用显卡，需要 v0.9.1 内核 | | Kokoro-82M 1.0 Official | 82M | Q8 · 189.55 MB
BF16 · 211.95 MB | 49 种内置音色、多语言生成，不含日语 | | Kokoro-82M 1.0 | 82M | Q8 · 932.66 MB | 54 种内置音色、包含日语的完整多语言资源；仅支持导入 | | Kokoro-82M 1.1-zh | 82M | Q8 · 255.32 MB | 100 种中文音色及 3 种英文音色；实验性，仅支持导入 | | ACE-Step 1.5 Turbo | — | BF16 · 10.09 GB | 根据风格描述和歌词生成歌曲或纯音乐，支持 50 多种演唱语言；需要 v0.9.1 内核 | App 与 CLI 均支持以上模型，输入要求与示例见[模型选择](docs/models_zh.md)。OmniVoice 权重采用 CC-BY-NC 许可，Breeze TTS 2 权重采用 BreezeBlue 研究与非商业许可，均仅限非商业用途。 --- ## 安装 在仓库的 [Releases](../../releases) 页面选择对应平台的安装包，或访问[官方网站](https://yovoice.leemysw.com)。 | 平台 | 安装包 | 安装方式 | | --- | --- | --- | | macOS 14+ · Apple Silicon | `.dmg` | 打开磁盘映像，将 yovoice 拖入 Applications | | Windows 10/11 · x64 | `-setup.exe` | 运行安装向导，安装后从开始菜单打开 | | Windows 10/11 · x64 · NVIDIA 显卡 | `-cuda12.4-setup.exe` | 内置 CUDA 12.4 内核，兼容较旧的显卡与驱动，首次启动即用 GPU | | Windows 10/11 · x64 · NVIDIA 显卡 | `-cuda13.3-setup.exe` | 内置 CUDA 13.3 内核，需要较新的驱动，安装包更小 | Windows 安装器会在缺少时联网安装 [WebView2 Runtime](https://developer.microsoft.com/microsoft-edge/webview2/)。模型在应用内下载。卸载应用保留 `~/.yovoice` 中的作品和模型。 macOS 和 Windows 均支持在应用菜单中检查更新，也会自动检查并后台下载；下载完成后可选择重启安装。Windows 自动更新只下载应用本体（`-update.exe`），保留已安装的内核；新版本推荐更高的内核时，可在 设置 → 推理引擎 中选择升级。 ![yovoice macOS 安装界面](docs/images/yovoice-macos-install.png) --- ## 快速上手 1. **准备模型。** 在设置中下载所需模型（例如轻量朗读用 Kokoro-82M，声音克隆用 VoxCPM2）。 2. **新建作品。** 选择“故事配音”、“语音生成”、“音乐生成”或“编曲”。 3. **填写内容。** 输入文字、歌词或音符，选择角色并调整风格。 4. **生成音频。** 点击“生成”，试听对比多版本（Takes）、编辑并导出。 --- ## CLI 与 Agent Skill 将 [yovoice Skill](https://github.com/leemysw/yovoice/tree/main/skills/yovoice) 链接发给 Agent，让它安装 Skill，并准备本地 CLI、引擎和模型： > 安装这个 Skill，并帮我配置好 yovoice 本地语音生成环境：https://github.com/leemysw/yovoice/tree/main/skills/yovoice 之后直接描述需求： > 用 voice.wav 的音色朗读 narration.txt，语气平静，保存为 narration.wav。 Agent 通过独立 CLI 完成配音，无需打开桌面应用。详细用法见 [CLI 指南](docs/cli_zh.md)。 --- 运行 `yovoice serve` 可为其他机器提供带认证的 HTTP API 与 MCP 推理服务，支持上传参考音频与生成 WAV。部署和调用示例见[API / MCP 部署指南](docs/api_zh.md)。 ## 开发 ```sh make install make app-run ``` 环境要求见[开发指南](docs/development_zh.md)，其中也介绍了浏览器预览、测试和项目结构。 --- ## 参与贡献 欢迎提交问题、功能建议和 Pull Request。报告问题时，请附上操作系统、模型及复现步骤；提交代码前运行 `make check`。 --- ## 鸣谢 - [audio.cpp](https://github.com/0xShug0/audio.cpp) — ShugoAI 开发的本地音频推理引擎。 - [VoxCPM](https://github.com/OpenBMB/VoxCPM) — 声音设计与克隆模型，Apache-2.0 许可。 - [IndexTTS](https://github.com/index-tts/index-tts) — 为 yovoice 提供语音合成模型。 - [OmniVoice](https://github.com/k2-fsa/OmniVoice) — 声音设计与音色克隆模型。 - [Qwen3-TTS](https://github.com/QwenLM/Qwen3-TTS) — 支持音色克隆、内置音色与文字设计声音。 - [ACE-Step](https://github.com/ace-step/ACE-Step-1.5) — 根据风格描述与歌词生成音乐。 - [go-meltysynth](https://github.com/sinshu/go-meltysynth)、[MuseScore General](https://musescore.org/en/handbook/3/soundfonts-and-sfz-files#gm_soundfonts)、[GeneralUser GS](https://www.schristiancollins.com/generaluser) 与 David Shan 的 SGM-V2.01 — 编曲渲染使用的 SoundFont 合成器与音色库。 - Kokoro — 使用内置音色的轻量语音合成模型：[Kokoro-82M](https://huggingface.co/hexgrad/Kokoro-82M) 与 [Kokoro-82M-v1.1-zh](https://huggingface.co/hexgrad/Kokoro-82M-v1.1-zh)。 --- ## Star History Star History Chart --- ## 开源协议 [Apache-2.0](LICENSE)。依赖组件保留[各自的许可证](THIRD_PARTY_NOTICES.md)，IndexTTS 模型单独遵循其[模型使用许可协议](web/public/model-license.txt)。