声のクローン、テキスト読み上げ（TTS）、文字起こし、動画の吹き替えを手元の PC で動かすデスクトップアプリ。ElevenLabs のような音声 SaaS の代わりを、ローカルのモデルでやる位置づけ。OpenAI 互換の API と MCP も出すので、スクリプトや AI エージェントからも呼べる。

できること

  • 短い録音から声をクローンし、その声でテキストを読み上げる
  • 文章で説明して新しい声を作る（voice design）
  • 動画の音声を文字起こしし、別の言語の音声に吹き替える
  • マイク入力の口述筆記（画面に浮かぶ小さなウィジェット）と、音声ファイルの文字起こし
  • 長い文章からオーディオブックを作る、まとめて処理する（batch）
  • ローカルの HTTP API（OpenAI 互換の /v1 あり）と MCP サーバーで、外のツールから使う

使い方

macOS / Linux は curl -fsSL https://voicestudio.sh/install | sh で入る。Windows は Releases のインストーラーを使う。Docker で動かす手順もある。起動したら Voice cloning を開き、声を選ぶか参考の録音を足して、テキストを入れて生成する。モデルは初回に求められたときにダウンロードする。

活用できそうな場面

  • 社内向けの手順動画やデモ動画に、ナレーションや英語の吹き替えを付けるのに使えそう
  • 会議の録音を外部のサービスに出さずに文字起こしするのに使えそう
  • 運用の通知（障害の読み上げなど）を、MCP や API 経由で自分のスクリプトから音声にするのに使えそう

向いている人

音声の SaaS にデータを出したくない人、GPU のある手元の PC で音声 AI を試したい人

似ているもの

  • ElevenLabs：同じ種類の機能を持つクラウドの有料サービス。こちらはローカルで動く
  • Whisper / WhisperX：文字起こしの部分。こちらは中で WhisperX を使い、読み上げや吹き替えまでまとめたアプリ

技術

Python（torch、transformers、WhisperX、pyannote など）の API サーバーと、Electron の画面。Bun と Node.js でビルドする。GPU は NVIDIA（CUDA）と Apple Silicon（MPS / MLX）を使い、なければ CPU で動くが数倍遅い。Windows で GPU が効くのは NVIDIA だけ。

注意点

ライセンスは AGPL-3.0（別に商用ライセンスあり）。使うモデルごとにライセンスが違うので、商用で使う前に確認が要る。インストーラーは署名・公証されておらず、OS の警告が出る。デスクトップの画面を Tauri から Electron に作り直したばかり（v0.5 系）。作られて約半年。「646 言語」は README の主張で、確かめていない。声のクローンは本人の許可を取って使うよう README にも書かれている。