Voicebox, eine Open-Source-KI-Stimmenwerkstatt von Entwickler Jamie Pine, ist als Local-First-Alternative zu Cloud-Stimmdiensten wie ElevenLabs (Sprachausgabe) und WisprFlow (Spracheingabe) gestartet. Das Projekt, gebaut mit Tauri und Rust, läuft vollständig auf dem Computer des Nutzers ohne Cloud-Abhängigkeit.
Die App bündelt sieben verschiedene TTS-Engines — Qwen3-TTS, Qwen CustomVoice, LuxTTS, Chatterbox Multilingual, Chatterbox Turbo, HumeAI TADA und Kokoro — jeweils mit unterschiedlichen Stärken. Nutzer können die Engines pro Generierung wechseln, Stimmen aus wenigen Sekunden Referenzaudio klonen und Nachbearbeitungseffekte wie Tonhöhenverschiebung, Hall und Kompression über Spotifys Pedalboard-Bibliothek anwenden.
Auf der Eingabeseite bietet Voicebox globale Diktation: eine Festtaste überall im System gedrückt halten, sprechen, und das Transkript wird in das fokussierte Textfeld eingefügt. Whisper-basierte Transkription läuft lokal, und ein optionales lokales LLM (Qwen3) kann Füllwörter und Fehlstarte vor dem Einfügen bereinigen.
Die MCP-Integration (Model Context Protocol) ist eine bemerkenswerte Funktion für Entwickler. Ein integrierter MCP-Server ermöglicht es KI-Coding-Agenten wie Claude Code und Cursor, Ausgaben über Voicebox in einer geklonten Stimme auszusprechen.
