poxiaoxi博客很多AI配音服务使用起来很方便，但当需求从“偶尔生成几句话”变成长期制作视频旁白、有声内容或批量语音时，云端API计费、音频上传以及模型选择限制就会逐渐变得明显。
yovoice走的是另一条路线。它是一个开源的本地语音创作项目，桌面端支持macOS和Windows，模型下载完成后可以直接在本机进行文字转语音、声音克隆和情绪控制，不需要在每次生成时调用云端TTS接口，也没有按生成字数计算API费用的模式。
从当前项目的发展方向来看，yovoice已经不只是一个输入文字、导出WAV的简单TTS界面。项目把模型管理、参考音频、角色音色、故事配音、字幕导入、音轨编辑、CLI以及Agent Skill逐步整合到同一个工作流中，更接近一个面向本地AI语音创作的桌面工具。
yovoice主要解决什么问题
传统本地TTS项目经常需要用户自己准备Python环境、安装推理依赖、下载权重，再通过命令行调整参数。对于只是希望做配音的用户来说，这部分配置本身就可能成为门槛。
yovoice的思路是把这些能力包装成桌面应用。用户可以在设置中准备模型，然后新建“故事配音”或“语音生成”作品，输入文本或导入字幕，选择角色和声音参数后直接生成音频。
这种设计更适合希望保留本地推理能力，又不想从零搭建每一个TTS模型环境的用户。
它主要覆盖几类需求：
把文章、脚本和旁白文字转换成语音。
使用参考录音复刻指定音色。
调整声音的情绪、语气和演绎方式。
为多段文本或字幕分别生成配音。
在本地管理角色、参考声音和生成作品。
通过CLI或AI Agent把语音生成接入自动化流程。
本地运行是项目核心特点
yovoice官方将本地推理作为核心定位。模型第一次下载完成后，语音合成过程可以在本机完成，文稿、参考录音和模型文件默认保存在本地。
官方目前给出的默认数据目录是：
~/.yovoice
作品、音色资产和模型都会保存在这个目录中。官方说明中还特别提到，卸载桌面应用时不会主动删除这里的用户数据，因此更换电脑或者重装前可以自行备份该目录。
需要区分的是，“本地运行”不代表安装全过程都完全不需要网络。首次下载安装包、下载TTS模型以及软件更新时仍然需要联网；Windows系统如果缺少WebView2 Runtime，安装程序也可能需要联网安装对应组件。
目前支持哪些TTS模型
yovoice并没有绑定单一语音模型，而是通过本地推理引擎支持多套TTS方案。不同模型在语言、音色克隆、情绪控制和硬件占用方面存在明显区别。
| 模型 | 主要用途 |
|---|---|
| IndexTTS 2.0 | 中英文音色克隆、情绪控制、参考演绎 |
| IndexTTS 2.5 | 多语言音色克隆、情绪控制、发音调整 |
| VoxCPM2 | 文字设计音色、音色克隆、参考原文辅助克隆 |
| OmniVoice | 按属性设计音色、音色克隆、非语言声音标签 |
| Qwen3-TTS Base | 参考音色克隆和多语言语音生成 |
| Qwen3-TTS CustomVoice | 使用内置音色，并通过文字控制风格和情绪 |
| Qwen3-TTS VoiceDesign | 直接通过自然语言描述设计声音，无需参考录音 |
| Kokoro-82M | 使用内置音色进行轻量语音合成 |
这意味着选择模型时不能只看“哪个模型更大”。如果已经有参考录音，需要的是声音复刻，可以优先考虑支持音色克隆的模型；如果没有参考声音，只希望用文字描述“成熟、低沉、平静”的声音，则VoiceDesign一类模型更符合需求；如果电脑配置有限，只需要快速进行普通文字转语音，轻量模型的实用性可能更高。
音色克隆不只是复制声音
声音克隆是yovoice比较核心的一部分，但不同模型支持的控制方式并不一样。
用户可以导入或直接录制参考音频，再利用支持克隆的模型生成新的语音。部分模型还可以结合参考音频的原文，提高克隆过程中的控制精度。
除了“像谁说话”，项目还关注“怎么说”。当前支持的部分模型可以通过参考演绎、情绪参数或者自然语言提示词控制表达方式，例如让同一句文字表现得更加平静、开心或者克制。
不过这种能力取决于具体底模。不同模型能够控制的情绪类型、语言和参数并不完全相同，因此不能把某个模型支持的能力理解成所有模型都具备。
故事配音更适合长内容
截至2026年9月29日，yovoice最新公开版本为v0.1.5。这个版本增加了“故事配音”和“语音生成”两类作品，并进一步完善了字幕和音轨工作流。
故事配音模式支持字幕导入、分段生成和可编辑音轨。这类设计比较适合小说、有声内容、剧情视频或者多人角色对白，因为用户不必把整篇文字一次性生成成一个无法调整的大音频文件。
当前版本还加入了音轨裁剪、撤销与重做、混音以及WAV导出，并支持作品归档的导入、导出和状态恢复。
这使得yovoice与单纯的TTS Web界面开始产生明显区别：语音生成只是流程中的一部分，生成之后还能继续对音频片段进行整理和编辑。
角色库适合重复使用音色
长期做视频或有声内容时，经常会重复使用相同的主持人、旁白或者角色声音。如果每次新建作品都重新选择参考音频和声音参数，操作会比较重复。
yovoice目前提供角色库，可以保存并复用音色和声音设置。对于连续制作系列视频、多角色故事或者固定品牌旁白，这种方式可以减少重复配置。
实际价值并不只是“收藏一个声音”，而是把角色声音逐渐变成可以复用的创作资产。
CLI可以接入自动化流程
桌面应用适合手动制作配音，但批量生成时，图形界面并不一定是效率最高的方式。
yovoice同时提供独立CLI，可以在不打开桌面客户端的情况下完成本地语音生成。这意味着开发者可以通过终端脚本处理大量文本，或者把语音合成接入自己的内容生产流程。
例如自动生成视频旁白时，可以先由程序生成脚本，再调用本地CLI完成TTS，最后交给视频处理程序合成。
对于普通用户来说，CLI并不是必须使用的功能；如果只是偶尔制作一段配音，桌面界面已经更加直接。它的价值主要体现在重复任务和自动化流程中。
Agent Skill有什么实际用途
项目还提供了面向AI Agent的yovoice Skill。
它的目标不是增加一种新的语音模型，而是让能够使用工具的AI Agent理解如何配置和调用yovoice CLI。用户可以把文本、参考音频和输出要求交给Agent，由Agent完成本地语音生成流程。
例如可以描述“使用某段参考录音，以平静语气朗读指定文稿并保存为WAV”，Agent再调用CLI执行。
对于已经使用Agent处理字幕、文章、视频脚本等内容的人，这种方式可以减少人工在多个软件之间复制文字和调整命令的操作。
安装前要看电脑平台
yovoice桌面客户端目前明确支持两类系统。
macOS 14及以上，需要Apple Silicon，也就是M系列芯片。
Windows 10或Windows 11，64位系统。
macOS版本可以使用Metal进行硬件加速。Windows端支持CPU和NVIDIA CUDA，同时提供实验性的Vulkan支持。
模型运行速度和内存、显存需求会随着具体模型和精度变化。项目提供的模型从数百MB到数GB不等，所以“软件能安装”并不代表所有大型模型都能在同一台电脑上获得相同生成速度。
对于配置有限的电脑，更适合先从体积较小的模型测试，而不是一开始就下载所有模型。
基本使用流程并不复杂
如果只是从桌面端开始使用，可以按照官方目前提供的流程操作：
从GitHub Releases下载对应系统安装包。
安装并启动yovoice。
进入设置，下载准备使用的TTS模型。
新建故事配音或语音生成作品。
输入文字，或者导入字幕内容。
选择角色、参考音色及对应声音参数。
生成语音并进行试听。
根据需要裁剪、调整或混合音轨。
完成后导出音频文件。
真正需要花时间的部分往往不是软件操作，而是模型选择和参考音频质量。同一段文字换不同模型、不同参考声音和不同情绪参数，结果可能存在明显差异。
精彩评论