VoiceStudio: open-source альтернатива ElevenLabs на своём ПК

ElevenLabs стоит дорого, режет длинные тексты, не работает на русском без подписки. VoiceStudio от debpalash — open-source проект, который делает всё то же самое, но локально и бесплатно.

GitHub: https://github.com/debpalash/VoiceStudio (31 154, 3 709 fork, 2 540 коммитов)
Лицензия: AGPL-3.0
Платформы: macOS 13.3+ (Apple Silicon), Windows 10/11, Linux x86_64

Что такое VoiceStudio

VoiceStudio — это десктопное приложение + локальный сервер для работы с голосом. Клонирование голоса, дубляж видео, диктовка, сторителлинг, аудиокниги — всё на своём железе.

• **646 языков** в каталоге TTS (русский в комплекте)
• **16 TTS движков** (XTTS, CosyVoice, Bark, Tortoise, OpenVoice и другие)
• **11 движков распознавания** (Whisper, Faster-Whisper, Paraformer, NeMo)
• **OpenAI-совместимый audio API**
• **MCP сервер** для интеграции с Claude/Cursor
• **Docker-деплой** для серверного использования
• **Всё работает оффлайн** — никаких облаков

Что умеет

Клонирование голоса

Загружаешь 10-30 секунд аудио с целевым голосом → получаешь модель этого голоса. Генеришь любые фразы этим голосом.

Работает с:
— Русским
— Английским
— Китайским
— Испанским, немецким, французским, и ещё 642 языками

Качество зависит от движка. CosyVoice и XTTS — лучшие для русского.

Диктовка

Говоришь в микрофон → получаешь распознанный текст. Используется Whisper или Faster-Whisper (быстрая версия). Полезно для заметок, расшифровки встреч, писательства.

Дубляж видео

Загружаешь видео → AI переводит и озвучивает. Поддерживает YouTube-импорт, синхронизацию тайминга, глоссарий для специальных терминов.

Создание голоса с нуля

Если не хочешь клонировать — можно создать голос по описанию: возраст, пол, тембр, акцент. Движок By design.

Аудиокниги

Специализированный режим: загружаешь текст главы → получаешь озвученный аудиофайл. Поддерживает несколько персонажей.

Батч-генерация

Готовишь список фраз → генеришь все одним проходом. Полезно для озвучки обучающих курсов, IVR-меню, объявлений.

Архитектура

Слой	Что
**Frontend**	Electron-приложение (React)
**Backend**	Python-сервер с REST/SSE/WebSocket API
**Engines**	16 TTS + 11 ASR как плагины
**Storage**	Голоса и проекты на локальном диске
**API**	OpenAI-совместимый `/v1/audio/*` + MCP

Каждый слой можно использовать отдельно. Например, можно поднять только backend и интегрировать через API в свой продукт.

Установка

Десктоп-приложение

1. Скачать с https://github.com/debpalash/VoiceStudio/releases/latest
2. Выбрать свой пакет (macOS / Windows / Linux)
3. Установить, запустить

Docker (для сервера)

docker run -d --name voicestudio \
  -p 8000:8000 \
  -v /path/to/voices:/data/voices \
  debpalash/voicestudio

Требования к железу

Конфигурация	ОЗУ	Что работает
Минимум	8 GB	Whisper Small + XTTS basic
Средняя	16 GB	CosyVoice + Faster-Whisper
Рекомендуемая	32 GB	Все 16 TTS движков + GPU offload
С NVIDIA GPU	8+ GB VRAM	Быстрая генерация в реальном времени

Сравнение с ElevenLabs

Параметр	ElevenLabs	VoiceStudio
Стоимость	от $5/мес (Free лимит 10 000 символов)	Бесплатно
Русский язык	Ограниченный, нужен Pro	Полный, 16 движков
Конфиденциальность	Аудио уходит в облако	Всё локально
Кастомизация	Только через UI	Полный доступ к движкам
Лимит текста	5000 символов на запрос	Нет ограничений
Клонирование голоса	1-3 минуты аудио	10-30 секунд
API	Свой формат	OpenAI-совместимый
Лицензия	Проприетарная	AGPL-3.0

Для бизнеса VoiceStudio выигрывает когда:
— Нужно озвучивать большие объёмы (книги, курсы)
— Требуется конфиденциальность (внутренние материалы)
— Хочется свой движок TTS под задачу
— Не хочется платить подписку

Что есть в репозитории

Директория	Что
`electron/`	Десктоп-приложение
`backend/`	Python-сервер, API
`frontend/`	React UI
`engines/`	Плагины для каждого TTS/ASR
`native/desktop-bridge/`	Связь с системой
`examples/`	Примеры интеграции
`docs/`	Документация
`skills/`	Skills для AI-агентов
`notebooks/`	Jupyter-ноутбуки для экспериментов

Подводные камни

• **Beta-статус** — автор активно переписывает на Electron, есть баги
• **Большие модели** — XTTS-v2 занимает ~2 GB, CosyVoice ~3 GB
• **Первый запуск долгий** — нужно скачать движки (~10-30 минут)
• **AGPL-3.0** — обязательно открывать код если делаете форк для коммерции
• **GPU** — на CPU генерация 1 минуты аудио занимает 5-10 минут

Кому подходит

• Подкастерам — клонировать свой голос для серий
• Преподавателям — озвучивать учебные материалы
• Бизнесу — голосовой бот на своём сервере
• Разработчикам игр — озвучка NPC без студии
• Создателям контента — автоматизация рутины

Когда выбирать что-то другое:
— Если нужно быстро и без настройки — ElevenLabs сразу работает в браузере
— Если нужны только короткие озвучки — мобильные приложения попроще
— Если нет нормального железа — только Cloud TTS

Что в ГЕРИОТ

Используем подобные локальные модели для создания голосовых агентов в бизнес-процессах. Клиенты которым важна приватность (юр. отдел, HR, внутренние обучающие системы) — наш приоритет.

Если нужна интеграция VoiceStudio или аналогов в корпоративную систему, или нужен голосовой бот на своём сервере — поможем с архитектурой и внедрением.

#VoiceStudio #TTS #open_source #AI_voice #ElevenLabs