Was ist Voicebox?
Voicebox ist eine Desktop-Anwendung (erstellt mit Tauri, React und FastAPI), die Ihren Computer in ein voll ausgestattetes KI-Sprachstudio verwandelt. Es läuft auf macOS, Windows und Linux und bietet Sprachklonen, Text-zu-Sprache-Generierung, systemweites Diktieren und sogar einen MCP-Server für KI-Agenten – alles lokal.
Betrachten Sie es als das Ollama der Sprach-KI. So wie Ollama große Sprachmodelle auf Ihren Desktop gebracht hat, bringt Voicebox professionelle Sprachfunktionen kostenlos und privat auf Ihren Computer.
Sprachklonen in nur 3 Sekunden
Das Klonen von Stimmen ist die Hauptfunktion, und sie ist bemerkenswert einfach. Sie können es auf drei Arten mit Audio versorgen:
- Laden Sie einen Clip hoch – ziehen Sie WAV-, MP3-, FLAC- oder WebM-Dateien per Drag & Drop
- Aufnahme vom Mikrofon – Live-Wellenformvorschau, bis zu 30 Sekunden
- System-Audioaufnahme – Klonen Sie eine Stimme aus einem YouTube-Video, Podcast oder einer anderen App, die Audio abspielt
Bereits ab drei Sekunden Audio erstellt Voicebox ein Sprachprofil, das Sie in allen Engines verwenden können. Durch das Zero-Shot-Klonen entfällt ein langwieriger Trainingsprozess – einfach eine Probe bereitstellen und generieren.
Sieben TTS-Engines, eine Schnittstelle
Voicebox bindet Sie nicht an ein einziges Modell. Es wird mit sieben TTS-Motoren mit jeweils unterschiedlichen Stärken ausgeliefert:
Diese Breite bedeutet, dass Sie das richtige Werkzeug für die jeweilige Aufgabe auswählen. Benötigen Sie schnelle Iterationen in hoher Qualität? LuxTTS. Benötigen Sie ausdrucksstarke Sprache mit emotionaler Kontrolle? Chatterbox oder TADA. Arbeiten Sie an einer Maschine mit geringen Ressourcen? Kokoro läuft auf praktisch allem.
Für die Transkription bündelt Voicebox Whisper und Whisper Turbo (99 Sprachen, letzteres 8x schneller), außerdem ermöglicht das Qwen3-Sprachmodell die Bereinigung von Transkripten und Persona-Antworten.
Systemweites Diktat: Ihr KI-Schreibassistent
Eine der praktischsten Funktionen ist das systemweite Diktieren. Mit einem globalen Hotkey (Cmd+Opt unter macOS, Strg+Alt unter Windows) können Sie in jede App sprechen und das Transkript an Ihrem Cursor anzeigen lassen. Kein Ringen mehr mit Speech-to-Text-Browsererweiterungen – es funktioniert überall, von Code-Editoren bis hin zu Chat-Apps.
Dies ist die gleiche Erfahrung, für die WisprFlow Gebühren erhebt, integriert in eine kostenlose Open-Source-Anwendung.
MCP-Server: Geben Sie jedem KI-Agenten eine Stimme
Wenn Sie MCP-fähige Agenten wie Claude Code, Cursor oder Cline verwenden, stellt Voicebox einen MCP-Server mit einem einzigen Tool-Aufruf „voicebox.speak“ bereit. Jeder Agent kann über eine von Ihnen geklonte Stimme mit Ihnen sprechen – komplett mit Sprachprofilen pro Agent.
Sie können Claude Code mit einer Stimme und Cursor mit einer anderen sprechen lassen und wissen, welcher Agent spricht, ohne auf den Bildschirm zu schauen. Jede vom Agenten initiierte Rede zeigt eine sichtbare Pille an, sodass es keine stille Hintergrund-TTS gibt.
REST-API und WebSocket für Entwickler
Voicebox stellt für jede Engine, die Sie herunterladen, eine lokale REST-API und WebSocket-Endpunkte bereit. Das bedeutet:
- Spiele – Erzeugen Sie spontan NPC-Dialoge mit den Stimmen Ihrer Charaktere
- Apps – Erstellen Sie sprachgesteuerte Anwendungen, ohne Gebühren pro Zeichen zu zahlen
- Skripte – stapelweise Produktion von Hörbuchkapiteln, automatisieren Sie Podcast-Intros und verknüpfen Sie sie mit Ihrem Stream Deck
Keine API-Schlüssel, keine Ratenbeschränkungen, keine Gebühren pro Zeichen. Nur eine Localhost-URL.
Personas: Stimmen mit Charakter
Ein besonders kreatives Feature ist das Persona-System. Sie können jedem Stimmprofil eine freie Persönlichkeitsbeschreibung geben („Noir-Detektiv der 1940er Jahre. Weltmüde, zynisch ...“), dann:
- Umschreiben – Formulieren Sie Ihren Text mit der Stimme dieser Figur neu und behalten Sie dabei die Ideen bei
- Komponieren – Lassen Sie den Charakter Originalzeilen von Grund auf improvisieren
Das ist Gold für Spieldialoge, Synchronisationen, lange Erzählungen und jedes kreative Projekt, bei dem es auf eine konsistente Charakterstimme ankommt.
Privatsphäre und Datensouveränität
Alles läuft lokal. Voicebox lädt Modelle auf Ihren Computer herunter und behält die gesamte Verarbeitung auf dem Gerät. Es werden keine Audioclips an einen Cloud-Server gesendet, keine Sprachprofile verlassen Ihren Computer und es gibt keine Telemetrieanrufe, die Nutzungsdaten nach Hause senden.
In einer Zeit, in der jedes KI-Tool einen Teil Ihrer Daten zu haben scheint, ist das Engagement von Voicebox für den Local-First-Betrieb wirklich erfrischend.
Wie es im Vergleich zu ElevenLabs abschneidet
ElevenLabs gewinnt immer noch aufgrund der verbesserten Sprachqualität und der Anzahl der unterstützten Sprachen. Aber Voicebox konkurriert hart um Flexibilität, Datenschutz und Kosten – und für viele Anwendungsfälle, insbesondere Entwickler-Workflows, ist es bereits die bessere Wahl.
Erste Schritte
Voicebox ist ab sofort unter voicebox.sh oder auf GitHub verfügbar. Laden Sie die App für Ihre Plattform herunter, wählen Sie die gewünschten Engines aus und schon generieren Sie innerhalb weniger Minuten Sprache.
Das Projekt verfügt auch über einen Solana-Token ($VOICEBOX) für diejenigen, die es unterstützen möchten, aber die Anwendung selbst bleibt für immer kostenlos und Open Source – kein Token erforderlich.
Das Fazit
Voicebox stellt einen Wandel in unserer Einstellung zu KI-Sprachtools dar. Indem es alles lokal zusammenbringt, Open-Source-Prinzipien berücksichtigt und ein breites Ökosystem von TTS-Engines unterstützt, stärkt es Benutzer auf eine Weise, die Walled-Garden-Dienste niemals können.
Wenn Sie aufgrund der Kosten, Datenschutzbedenken oder der Abhängigkeit von einem Anbieter bisher mit Voice-KI zögerten, ist Voicebox die Antwort. Es ist das Ollama der Stimme – und es wird immer besser.
Lesen Sie weiter: Für einen tieferen technischen Einblick in die Einrichtung von Voicebox für den Produktionseinsatz schauen Sie sich die offizielle Dokumentation unter voicebox.sh/docs an.