VoiceStudio: как поднять локальный клон голоса и отдать голос агентам

01Как это устроено

Снаружи VoiceStudio выглядит как десктопное приложение: слева рабочая область клонирования, справа — каталог моделей. Внутри работает Python-бэкенд, который держит аудиомодели в памяти и отдаёт данные по HTTP и WebSocket на порту 3900. Приложение владеет микрофоном и горячей клавишей диктовки, бэкенд — самими моделями. Это важно: бэкенд можно использовать отдельно от интерфейса, как локальный речевой сервис для скриптов и агентов.

Ключевая деталь для интеграций: MCP-сервер не нужно запускать отдельно — он смонтирован на работающем бэкенде по пути /mcp. Как только приложение открыто, агент, умеющий ходить на MCP по HTTP, видит инструменты синтеза, клонирования и расшифровки.

02Требования к железу

Разработчик документирует четыре сценария ускорения. Практический вывод: CUDA на NVIDIA и Metal на Apple Silicon дают комфортную скорость, CPU-режим годится для коротких реплик и диктовки, но не для озвучки длинных текстов.

03Движки синтеза: что выбрать

Движок переключается в каталоге моделей или быстрым переключением по Ctrl/Cmd+E, а закрепить выбор можно переменными окружения OMNIVOICE_TTS_BACKEND и OMNIVOICE_ASR_BACKEND. Ниже — набор из документации: он показывает, что «один голос» и «много языков» решаются разными моделями.

04Установка за четыре шага

curl -fsSL https://voicestudio.sh/install | sh

curl -fsSL https://raw.githubusercontent.com/debpalash/VoiceStudio/main/scripts/install.sh | sh

# приложение откроет каталог моделей при первом запуске

# Модели → выбрать OmniVoice → Install

На Windows установка идёт одной строкой в PowerShell: irm https://voicestudio.sh/install | iex. Сборка из исходников требует Node.js 22+, Bun и Rust — это путь для разработки, а не для первого знакомства.

05MCP: как отдать голос агенту

Практическая ценность VoiceStudio для агентных сценариев — не интерфейс, а MCP. Агент получает семь инструментов и может озвучивать ответы своим голосом, клонировать голос по образцу из проекта и расшифровывать присланные записи. Голос можно привязать к конкретному агенту, тогда разные ассистенты говорят разными голосами.

{
  "mcpServers": {
    "voicestudio": {
      "type": "http",
      "url": "http://127.0.0.1:3900/mcp"
    }
  }
}

Адрес бэкенда можно переопределить переменной VOICESTUDIO_URL, порт — OMNIVOICE_PORT, а ключ доступа передаётся как OMNIVOICE_API_KEY в заголовке Bearer. Это же API используют скрипты: файл recording.wav расшифровывается вызовом python -m backend.speech_client transcribe, а потоковая расшифровка идёт по WebSocket на путь /v1/audio/transcriptions/stream.

06Сколько это стоит

Приложение бесплатное, платить нужно только за железо и электричество. У облачных сервисов модель оплаты обратная: ноль на старте, но плата за символы и, главное, чужие серверы.

07Ограничения и риски

• Лицензия AGPL-3.0 распространяется на приложение: если вы делаете из него сетевой сервис для клиентов, исходники придётся открыть.
• Веса моделей живут по своим лицензиям — AGPL приложения не даёт прав на коммерческое использование голоса или модели.
• Клонировать чужой голос без письменного согласия нельзя: это прямо оговорено в разделе про ответственность.
• Качество русского синтеза зависит от движка; универсального «лучшего» нет, нужны прослушивания на своих текстах.
• Десктоп-оболочка меняется быстро: старый Tauri-клиент выведен из поддержки начиная с 0.5.3, обновляться нужно на Electron-сборку.