Voicebox：音声クローンと文字起こしをローカルで完結するオープンソースAI

Voiceboxは、音声クローンと文字起こしの両方をローカル環境で完結させるオープンソースの「AI音声スタジオ」です。GitHubではすでに4.2万以上のStarを獲得しています。

何ができるのか

これまで音声AIワークフローを組む場合、音声合成にはElevenLabs、音声入力にはWisprFlowといった有料クラウドサービスを併用するのが一般的でした。Voiceboxはこれらを単一のローカルアプリに置き換えることを目指しています。

入力面では、グローバルショートカットを使ってOS上のあらゆるテキスト入力欄へ直接音声を文字起こし入力できます。

出力面では、わずか数秒のサンプル音声を読み込ませるだけで任意の声をクローン可能です。通常の読み上げだけでなく、Claude CodeやCodexといったコーディングエージェントと連携させ、AIエージェントにクローン音声を割り当てることもできます。

なぜ重要か

音声合成や文字起こしを日常的に使うユーザーにとって、月額サブスクリプション費用を大幅に削れる点が最大の魅力です。すべての処理を手元のマシンで完結できるため、音声データの外部送信に伴うプライバシーの懸念もありません。

AIエージェントを動かしている開発者や、音声入力を多用するユーザーは試す価値があります。一方で、商用クラウド並みの低遅延や自然さを維持するには一定のローカルハードウェア性能が求められる点には留意が必要です。