jamiepine/voicebox

Voicebox คืออะไร?

Voicebox คือ สตูดิโอเสียง AI ที่ทำงานบนเครื่องของคุณเป็นหลัก — เป็นทางเลือกโอเพนซอร์สฟรีสำหรับ ElevenLabs และ WisprFlow ในแอปเดียว โคลนเสียงจากไฟล์เสียงเพียงไม่กี่วินาที สร้างคำพูดใน 23 ภาษาผ่านเอนจิน TTS 7 ตัว ป้อนข้อความลงในช่องข้อความใดก็ได้ด้วยปุ่มลัดสากล และให้เอเจนต์ AI ที่รองรับ MCP มีเสียงที่คุณเลือก

ผู้ให้บริการคลาวด์สองรายที่ครองตลาดอยู่ในปัจจุบันนั้นอยู่คนละฝั่งของวงจร Voice I/O — ElevenLabs อยู่ที่เอาต์พุต และ WisprFlow อยู่ที่อินพุต Voicebox ทำได้ทั้งสองอย่าง เชื่อมโยงเข้าด้วยกันด้วย LLM ในเครื่องที่มาพร้อมกับแอปสำหรับการปรับแต่งและบุคลิกเฉพาะโปรไฟล์ และรันทั้งหมดนี้บนเครื่องของคุณ

• ความเป็นส่วนตัวสมบูรณ์ — โมเดล ข้อมูลเสียง และการบันทึกจะไม่มีวันออกจากเครื่องของคุณ
• เอนจิน TTS 7 ตัว — Qwen3-TTS, Qwen CustomVoice, LuxTTS, Chatterbox Multilingual, Chatterbox Turbo, HumeAI TADA และ Kokoro
• การโคลนเสียงและเสียงที่ตั้งไว้ล่วงหน้า — การโคลนแบบ zero-shot จากตัวอย่างอ้างอิง หรือเสียงที่ตั้งไว้ล่วงหน้ากว่า 50 เสียงที่คัดสรรมาอย่างดีผ่าน Kokoro และ Qwen CustomVoice
• 23 ภาษา — ตั้งแต่ภาษาอังกฤษไปจนถึงภาษาอาหรับ ญี่ปุ่น ฮินดี สวาฮีลี และอื่นๆ
• เอฟเฟกต์หลังการประมวลผล — การปรับระดับเสียง (pitch shift), รีเวิร์บ (reverb), ดีเลย์ (delay), คอรัส (chorus), คอมเพรสชัน (compression) และฟิลเตอร์ (filters)
• การพูดที่แสดงอารมณ์ — แท็กทางภาษาศาสตร์ เช่น [laugh], [sigh], [gasp] ผ่าน Chatterbox Turbo; การควบคุมการส่งเสียงด้วยภาษาธรรมชาติผ่าน Qwen CustomVoice
• ความยาวไม่จำกัด — การแบ่งส่วนอัตโนมัติพร้อมการครอสเฟดสำหรับสคริปต์ บทความ และบทต่างๆ
• โปรแกรมแก้ไขเรื่องราว — ไทม์ไลน์แบบหลายแทร็กสำหรับการสนทนา พอดแคสต์ และเรื่องเล่า
• การป้อนเสียง — ปุ่มลัดการป้อนข้อความสากลพร้อมโหมดกดเพื่อพูดและสลับ, การวางอัตโนมัติที่ได้รับการยืนยันการเข้าถึงบน macOS, ไมโครโฟนในแอปบนทุกช่องข้อความ, STT ที่ใช้ Whisper
• เอาต์พุตเสียงของเอเจนต์ — การเรียกใช้เครื่องมือเพียงครั้งเดียว (voicebox.speak) และเอเจนต์ที่รองรับ MCP (Claude Code, Cursor, Cline) จะพูดกับคุณด้วยเสียงที่คุณโคลนไว้
• บุคลิกเสียง — แนบบุคลิกแบบอิสระเข้ากับโปรไฟล์เสียงใดก็ได้ จากนั้น Compose, Rewrite หรือ Respond ผ่าน LLM ในเครื่องที่มาพร้อมกับแอป — เอเจนต์สามารถเรียกใช้โหมดเดียวกันผ่าน MCP ได้
• API-first — REST API พร้อมเซิร์ฟเวอร์ MCP ในตัวสำหรับการรวม Voice I/O เข้ากับแอปและเอเจนต์ของคุณเอง
• ประสิทธิภาพแบบเนทีฟ — สร้างด้วย Tauri (Rust) ไม่ใช่ Electron
• ทำงานได้ทุกที่ — macOS (MLX/Metal), Windows (CUDA), Linux, AMD ROCm, Intel Arc, Docker

ดาวน์โหลด

คุณสมบัติ

การโคลนเสียงแบบหลายเอนจิน

เอนจิน TTS เจ็ดตัวที่มีจุดแข็งแตกต่างกัน สามารถสลับได้ต่อการสร้างแต่ละครั้ง:

อารมณ์และแท็กทางภาษาศาสตร์

เฉพาะ Chatterbox Turbo เท่านั้นที่ตีความแท็กทางภาษาศาสตร์ เช่น [laugh] และ [sigh] Qwen3-TTS, LuxTTS, Chatterbox Multilingual และ HumeAI TADA จะอ่านแท็กเหล่านี้ ตามตัวอักษรเป็นข้อความ

เมื่อเลือก Chatterbox Turbo ให้พิมพ์ / ในช่องป้อนข้อความเพื่อเปิดตัวแทรกแท็ก และเพิ่มแท็กที่แสดงอารมณ์ในบรรทัดเดียวกับคำพูด:

[laugh] [chuckle] [gasp] [cough] [sigh] [groan] [sniff] [shush] [clear throat]

เอฟเฟกต์หลังการประมวลผล

เอฟเฟกต์เสียง 8 แบบที่ขับเคลื่อนโดยไลบรารี pedalboard ของ Spotify ใช้หลังจากสร้างเสียง, ดูตัวอย่างแบบเรียลไทม์, สร้างพรีเซ็ตที่นำกลับมาใช้ใหม่ได้

มาพร้อมกับพรีเซ็ตในตัว 4 แบบ (Robotic, Radio, Echo Chamber, Deep Voice) และรองรับพรีเซ็ตที่กำหนดเอง เอฟเฟกต์สามารถกำหนดเป็นค่าเริ่มต้นต่อโปรไฟล์ได้

ความยาวการสร้างไม่จำกัด

ข้อความจะถูกแบ่งโดยอัตโนมัติที่ขอบเขตประโยค และแต่ละส่วนจะถูกสร้างขึ้นอย่างอิสระ จากนั้นจึงนำมาครอสเฟดเข้าด้วยกัน ใช้งานได้กับทุกเอนจิน

• กำหนดขีดจำกัดการแบ่งส่วนอัตโนมัติ (100–5,000 ตัวอักษร)
• แถบเลื่อน Crossfade (0–200ms) สำหรับการเปลี่ยนผ่านที่ราบรื่น
• ความยาวข้อความสูงสุด: 50,000 ตัวอักษร
• การแบ่งส่วนอัจฉริยะที่คำนึงถึงตัวย่อ, เครื่องหมายวรรคตอน CJK และ [tags]

เวอร์ชันการสร้าง

การสร้างทุกครั้งรองรับหลายเวอร์ชันพร้อมการติดตามแหล่งที่มา:

• ต้นฉบับ (Original) — ผลลัพธ์ TTS ที่สะอาดตา เก็บรักษาไว้เสมอ
• เวอร์ชันเอฟเฟกต์ (Effects versions) — ใช้ชุดเอฟเฟกต์ที่แตกต่างกันจากเวอร์ชันแหล่งที่มาใดก็ได้
• เทค (Takes) — สร้างใหม่ด้วย seed ใหม่เพื่อความหลากหลาย
• การติดตามแหล่งที่มา (Source tracking) — แต่ละเวอร์ชันบันทึกสายเลือดของตน
• รายการโปรด (Favorites) — ติดดาวการสร้างเพื่อการเข้าถึงที่รวดเร็ว

คิวการสร้างแบบอะซิงโครนัส

การสร้างไม่บล็อก ส่งคำสั่งแล้วเริ่มพิมพ์รายการถัดไปได้ทันที

• คิวการทำงานแบบอนุกรมป้องกันการแย่งชิง GPU
• การสตรีมสถานะ SSE แบบเรียลไทม์
• การสร้างที่ล้มเหลวสามารถลองใหม่ได้
• การสร้างที่ค้างจากการขัดข้องจะกู้คืนอัตโนมัติเมื่อเริ่มต้น

การจัดการโปรไฟล์เสียง

• สร้างโปรไฟล์จากไฟล์เสียงหรือบันทึกโดยตรงในแอป
• นำเข้า/ส่งออกโปรไฟล์เพื่อแชร์หรือสำรองข้อมูล
• รองรับหลายตัวอย่างเพื่อการโคลนคุณภาพสูงขึ้น
• ชุดเอฟเฟกต์เริ่มต้นต่อโปรไฟล์
• จัดระเบียบด้วยคำอธิบายและแท็กภาษา

โปรแกรมแก้ไขเรื่องราว (Stories Editor)

โปรแกรมแก้ไขไทม์ไลน์หลายเสียงสำหรับบทสนทนา พอดแคสต์ และเรื่องเล่า

• การจัดองค์ประกอบหลายแทร็กด้วยการลากและวาง
• การตัดและแบ่งเสียงแบบอินไลน์
• การเล่นอัตโนมัติพร้อม playhead ที่ซิงโครไนซ์
• การปักหมุดเวอร์ชันต่อคลิปแทร็ก

การป้อนตามคำบอกและการป้อนเสียงทั่วโลก

อีกครึ่งหนึ่งของวงจร I/O เสียง กดปุ่มลัดค้างไว้ที่ใดก็ได้ในระบบของคุณ พูด แล้วปล่อย — บน macOS ข้อความที่ถอดเสียงจะถูกวางลงในช่องข้อความที่โฟกัสโดยตรง หรือกดไมโครโฟนบนช่องป้อนข้อความ Voicebox ใดก็ได้แล้วป้อนตามคำบอกโดยตรงในแอป

• การผูกคอร์ดที่กำหนดค่าได้ (Configurable chord bindings) — คอร์ดกดค้างเพื่อพูดและแตะเพื่อสลับ ซึ่งแต่ละคอร์ดสามารถผูกใหม่ได้ในตัวเลือกคอร์ดในแอป การกดปุ่ม push-to-talk ค้างไว้แล้วแตะ Space ระหว่างที่กดค้างอยู่จะอัปเกรดเป็นการสลับเซสชันโดยไม่มีช่องว่างในเสียง
• การวางที่รับรู้เป้าหมาย (macOS) (Target-aware paste (macOS)) — การแทรกที่ได้รับการยืนยันการเข้าถึงลงในช่องข้อความที่โฟกัส พร้อมการบันทึก/กู้คืนคลิปบอร์ดแบบอะตอมิก เพื่อไม่ให้คลิปบอร์ดของคุณถูกเขียนทับ
• UX การอนุญาตครั้งแรก (First-run permissions UX) — ประตูในแอปจะนำคุณผ่านการอนุญาต macOS Accessibility และ Input Monitoring พร้อมลิงก์โดยตรงไปยัง System Settings
• ปุ่มไมโครโฟนในแอป (In-app mic button) บนช่องข้อความ Voicebox ทุกช่อง — ฟอร์มการสร้าง, คำอธิบายโปรไฟล์, ชื่อเรื่องราว, ทุกที่ที่คุณจะพิมพ์
• การปรับปรุง LLM (LLM refinement) — การล้างคำว่า "อืม", การติดอ่าง และการเริ่มต้นผิดพลาดก่อนการวาง (ไม่บังคับ)
• ปุ่มบนหน้าจอ (On-screen pill) — โอเวอร์เลย์ลอยตัวที่แสดงสถานะ recording, transcribing, refining และ speaking ปุ่มเดียวกันนี้ที่เอเจนต์ใช้เมื่อพูดกับคุณ ดังนั้นจึงมีโมเดลความคิดเดียวสำหรับทั้งสองทิศทางของวงจร

การแปลงเสียงเป็นข้อความ (Speech-to-Text)

Voicebox รัน OpenAI Whisper สำหรับการถอดเสียง — โมเดลเดียวกับที่รองรับการป้อนตามคำบอก, แท็บ Captures และ API /transcribe ทำงานบน MLX (Apple Silicon) หรือ PyTorch (CUDA / ROCm / DirectML / CPU) ขึ้นอยู่กับแพลตฟอร์มของคุณ

มีแผนจะเพิ่มเอนจินอื่น ๆ (Parakeet v3, Qwen3-ASR) — ดู Roadmap

การบันทึก (Captures)

การป้อนตามคำบอกทุกครั้ง, การบันทึกในแอป และไฟล์เสียงที่อัปโหลดจะไปอยู่ในแท็บ Captures — เสียงต้นฉบับจับคู่กับข้อความที่ถอดเสียง เก็บรักษาไว้เสมอ

• เล่นซ้ำ, ถอดเสียงใหม่, ปรับปรุง (Replay, re-transcribe, refine) — รัน STT ใหม่ด้วยขนาด Whisper ใดก็ได้ หรือรันข้อความที่ถอดเสียงดิบผ่าน LLM ในเครื่องด้วยแฟล็กที่แตกต่างกัน (การล้างคำฟุ่มเฟือย, การลบการแก้ไขตัวเอง, การเก็บรักษาคำศัพท์ทางเทคนิค)
• แก้ไขแบบอินไลน์ (Edit inline) — ปรับแต่งข้อความที่ถอดเสียงและบันทึกเมื่อออกจากโฟกัส
• เล่นเป็นโปรไฟล์เสียง (Play as voice profile) — เปลี่ยนการบันทึกใด ๆ ให้เป็นเสียงด้วยเสียงที่โคลนมา เพียงคลิกเดียว
• เลื่อนขั้นเป็นตัวอย่างเสียง (Promote to voice sample) — ใช้เสียง + ข้อความที่ถอดเสียงจากการบันทึกเป็นตัวอย่างอ้างอิงในโปรไฟล์เสียงใดก็ได้
• การจัดเก็บการบันทึกในเครื่อง (Local capture storage) — เสียงต้นฉบับและข้อความที่ถอดเสียงจะอยู่ในไดเรกทอรีข้อมูล Voicebox ของคุณ พร้อมทางลัดโฟลเดอร์ใน Settings

เอาต์พุตเสียงของเอเจนต์

เอเจนต์ทุกตัวมีเสียงของตัวเอง การเรียกใช้เครื่องมือเพียงครั้งเดียวและเอเจนต์ที่รองรับ MCP ใด ๆ ก็สามารถพูดกับคุณด้วยเสียงที่คุณโคลนมาได้ — การทำงานที่เสร็จสมบูรณ์, คำถาม, การแจ้งเตือน ปุ่มเดียวกันที่ปรากฏขึ้นระหว่างการป้อนตามคำบอกจะปรากฏขึ้นระหว่างการพูดของเอเจนต์ ดังนั้นคุณจะเห็นเสมอว่ามีอะไรออกมาจากเครื่องของคุณ

// ในเอเจนต์ที่รองรับ MCP ใด ๆ:
await voicebox.speak({
  text: "Deploy complete.",
  profile: "Morgan",
});

ยังเปิดเผยเป็น POST /speak สำหรับสิ่งใดก็ตามที่ไม่พูด MCP — ACP, A2A, สคริปต์เชลล์, ฮาร์เนสแบบกำหนดเอง

• ปุ่มสองทิศทาง (Bidirectional pill) — recording, transcribing, refining และ speaking ล้วนเป็นสถานะของโอเวอร์เลย์ระดับ OS เดียวกัน ดังนั้นการป้อนตามคำบอกและการพูดของเอเจนต์จึงใช้พื้นผิวเดียวกัน
• การผูกเสียงต่อเอเจนต์ (Per-agent voice binding) — ใน Settings → MCP ปักหมุด Claude Code ให้ Morgan และ Cursor ให้ Scarlett เพื่อให้คุณสามารถบอกได้ว่าเอเจนต์ตัวไหนกำลังพูดโดยไม่ต้องมอง การประทับเวลา last_seen_at ของไคลเอนต์แต่ละรายยืนยันว่าการติดตั้งสำเร็จจริง
• มองเห็นได้เสมอ (Always visible) — ไม่มี TTS พื้นหลังแบบเงียบ; การพูดที่เริ่มต้นโดยเอเจนต์ทุกครั้งจะแสดงปุ่มพร้อมชื่อโปรไฟล์เสียงตลอดระยะเวลา
• การขนส่ง HTTP + stdio (HTTP + stdio transports) — ติดตั้งเป็น URL ใน Claude Code / Cursor / Windsurf / VS Code MCP หรือชี้ไคลเอนต์ที่รองรับ stdio เท่านั้นไปยังไบนารี voicebox-mcp ที่มาพร้อมเครื่อง

บุคลิกเสียง (Voice Personalities)

แนบบุคลิกอิสระเข้ากับโปรไฟล์เสียงใดก็ได้ — ว่าเสียงนี้คือใคร, พูดอย่างไร, สนใจอะไร การกระทำสองอย่างจะปรากฏบนกล่องสร้างเมื่อมีการตั้งค่าบุคลิก ขับเคลื่อนโดย Qwen3 LLM ที่มาพร้อมเครื่องซึ่งทำงานในเครื่องทั้งหมด

• แต่ง (Compose) — ปุ่มสุ่มที่วางข้อความใหม่ที่ตรงกับบุคลิกในพื้นที่ข้อความ; แก้ไขและพูด หรือคลิกอีกครั้งเพื่อลองแบบอื่น
• พูดตามบุคลิก (Speak in character) — ปุ่มสลับที่ส่งข้อความที่คุณป้อนผ่าน LLM บุคลิกเพื่อเขียนใหม่ในเสียงของพวกเขา ก่อนที่จะแปลงเป็น TTS

เอเจนต์สามารถเข้าถึงเส้นทางการเขียนใหม่เดียวกันผ่าน MCP โดยส่ง personality: true ไปยัง voicebox.speak ซึ่งจะเปลี่ยนเครื่องมือให้เป็นไปป์ไลน์ text-in → personality-LLM → TTS LLM เดียวกันนี้รองรับขั้นตอนการปรับปรุงของการป้อนตามคำบอก — LLM หนึ่งตัวในแอป, แคชโมเดลหนึ่งตัว, รอยเท้าหน่วยความจำ GPU หนึ่งตัว

ตัวเลือก LLM ในเครื่อง: Qwen3 0.6B / 1.7B / 4B, ใช้รันไทม์ TTS ร่วมกัน (MLX บน Apple Silicon, PyTorch ที่อื่น)

กรณีการใช้งาน: วงจรการพัฒนาเอเจนต์ (ป้อนคำถาม, ฟังคำตอบด้วยเสียงที่โคลนมา), ตัวละครแบบโต้ตอบสำหรับเกมและเครื่องมือเล่าเรื่อง, การช่วยเหลือการพูดสำหรับผู้ที่ไม่สามารถพูดด้วยเสียงต้นฉบับของตนเองได้

การจัดการโมเดล

• การยกเลิกการโหลดต่อโมเดลเพื่อเพิ่มหน่วยความจำ GPU โดยไม่ต้องลบไฟล์ที่ดาวน์โหลด
• ไดเรกทอรีโมเดลแบบกำหนดเองผ่าน VOICEBOX_MODELS_DIR
• การย้ายโฟลเดอร์โมเดลพร้อมการติดตามความคืบหน้า
• UI สำหรับยกเลิก/ล้างการดาวน์โหลด

การรองรับ GPU

API

Voicebox เปิดเผย REST API สำหรับการรวม I/O เสียงเข้ากับแอปและเอเจนต์ของคุณเอง

# สร้างเสียงพูด
curl -X POST http://127.0.0.1:17493/generate \
  -H "Content-Type: application/json" \
  -d '{"text": "Hello world", "profile_id": "abc123", "language": "en"}'

# เอาต์พุตเสียงของเอเจนต์ — แอปหรือสคริปต์ใด ๆ สามารถพูดด้วยเสียงที่โคลนมาได้
curl -X POST http://127.0.0.1:17493/speak \
  -H "Content-Type: application/json" \
  -H "X-Voicebox-Client-Id: my-script" \
  -d '{"text": "Deploy complete.", "profile": "Morgan"}'

# ถอดเสียงไฟล์เสียง
curl -X POST http://127.0.0.1:17493/transcribe \
  -F "audio=@recording.wav" \
  -F "model=whisper-turbo"

# แสดงรายการโปรไฟล์เสียง
curl http://127.0.0.1:17493/profiles

POST /speak ยอมรับ profile เป็นชื่อ (ไม่คำนึงถึงตัวพิมพ์เล็กใหญ่) หรือ ID และแก้ไขตามลำดับความสำคัญเดียวกับเครื่องมือ MCP: อาร์กิวเมนต์ที่ระบุ → การผูกต่อไคลเอนต์ → capture_settings.default_playback_voice_id

เซิร์ฟเวอร์ MCP

Voicebox มาพร้อมกับเซิร์ฟเวอร์ Model Context Protocol ในตัว เพื่อให้เอเจนต์ที่รองรับ MCP ใด ๆ (Claude Code, Cursor, Windsurf, Cline, ส่วนขยาย VS Code MCP) สามารถพูด, ถอดเสียง และเรียกดูการบันทึกและโปรไฟล์ได้

คำสั่งเดียวสำหรับ Claude Code:

claude mcp add voicebox \
  --transport http \
  --url http://127.0.0.1:17493/mcp \
  --header "X-Voicebox-Client-Id: claude-code"

ไคลเอนต์ HTTP MCP ใด ๆ (Cursor, Windsurf, VS Code, ฯลฯ):

{
  "mcpServers": {
    "voicebox": {
      "url": "http://127.0.0.1:17493/mcp",
      "headers": { "X-Voicebox-Client-Id": "cursor" }
    }
  }
}

**Stdio fallback** สำหรับไคลเอนต์ที่ไม่รองรับ HTTP MCP — ชี้ไปที่ไบนารี `voicebox-mcp` ที่มาพร้อมกับแอป:

```json
{
  "mcpServers": {
    "voicebox": {
      "command": "/Applications/Voicebox.app/Contents/MacOS/voicebox-mcp",
      "env": { "VOICEBOX_CLIENT_ID": "claude-desktop" }
    }
  }
}

มีเครื่องมือสี่อย่างที่มาพร้อมกับแอป: voicebox.speak, voicebox.transcribe, voicebox.list_captures, voicebox.list_profiles การผูกเสียงต่อไคลเอนต์จะถูกจัดการใน Voicebox → Settings → MCP ดู คู่มือ MCP ฉบับเต็ม สำหรับลายเซ็นเครื่องมือ, ลำดับความสำคัญในการแก้ไข, สัญญาการพูด, และข้อควรระวังด้านความปลอดภัย

// ในเอเจนต์ที่รองรับ MCP:
await voicebox.speak({
  text: "Tests passing. Ready to merge.",
  profile: "Morgan",      // ไม่บังคับ — จะใช้การผูกต่อไคลเอนต์เป็นค่าเริ่มต้น
  personality: true,      // ไม่บังคับ — จะเขียนข้อความใหม่ผ่าน LLM บุคลิกภาพของโปรไฟล์ก่อน
});

กรณีการใช้งาน: วงจรการพัฒนาเอเจนต์ (เสียงเข้า, เสียงออก), บทสนทนาในเกม, การผลิตพอดแคสต์, เครื่องมือช่วยการเข้าถึง, ผู้ช่วยเสียง, การทำงานอัตโนมัติของเนื้อหา

เอกสาร API ฉบับเต็มมีอยู่ที่ http://127.0.0.1:17493/docs

Tech Stack

แผนงาน

สำหรับ สถานะทางวิศวกรรมฉบับเต็ม, การจัดลำดับความสำคัญของปัญหาที่เปิดอยู่, และคิวงานที่จัดลำดับความสำคัญแล้ว โปรดดูที่ docs/PROJECT_STATUS.md — เอกสารที่มีการอัปเดตอยู่เสมอที่ติดตามสิ่งที่ได้จัดส่งไปแล้ว, สิ่งที่กำลังดำเนินการอยู่, เอนจิน TTS ที่กำลังประเมิน, และเหตุผลที่เรายอมรับหรือเลื่อนการผสานรวมบางอย่างออกไป

การพัฒนา

ดู CONTRIBUTING.md สำหรับรายละเอียดการตั้งค่าและแนวทางการมีส่วนร่วม

เริ่มต้นอย่างรวดเร็ว

git clone https://github.com/jamiepine/voicebox.git
cd voicebox

just setup   # สร้าง Python venv, ติดตั้ง dependencies ทั้งหมด
just dev     # เริ่มต้น backend + แอปเดสก์ท็อป

ติดตั้ง just: brew install just หรือ cargo install just รัน just --list เพื่อดูคำสั่งทั้งหมด

ข้อกำหนดเบื้องต้น: Bun, Rust, Python 3.11+, Tauri Prerequisites และ Xcode บน macOS

repo นี้มาพร้อมกับไฟล์ .mcp.json ที่กำหนดค่าไว้ล่วงหน้าใน root — การรัน Claude Code ภายใน checkout นี้จะดึงเครื่องมือ Voicebox MCP ขึ้นมาโดยอัตโนมัติเมื่อแอป dev ทำงานอยู่

การสร้างในเครื่อง

just build          # สร้างไบนารีเซิร์ฟเวอร์ CPU + แอป Tauri
just build-local    # (Windows) สร้างไบนารีเซิร์ฟเวอร์ CPU + CUDA + แอป Tauri

การเพิ่มโมเดลเสียงใหม่

สถาปัตยกรรมแบบหลายเอนจินทำให้การเพิ่มเอนจิน TTS ใหม่เป็นเรื่องง่าย คู่มือทีละขั้นตอน ครอบคลุมกระบวนการทั้งหมด: การวิจัย dependencies, การนำโปรโตคอล backend ไปใช้, การเชื่อมต่อ frontend และการรวม PyInstaller

คู่มือนี้ได้รับการปรับให้เหมาะสมสำหรับ AI coding agents ทักษะเอเจนต์ สามารถรับชื่อโมเดลและจัดการการผสานรวมทั้งหมดได้โดยอัตโนมัติ — คุณเพียงแค่ทดสอบการสร้างในเครื่อง

โครงสร้างโปรเจกต์

voicebox/
├── app/              # ส่วนหน้า React ที่ใช้ร่วมกัน
├── tauri/            # แอปเดสก์ท็อป (Tauri + Rust)
├── web/              # การปรับใช้บนเว็บ
├── backend/          # เซิร์ฟเวอร์ Python FastAPI
├── landing/          # เว็บไซต์การตลาด
└── scripts/          # สคริปต์การสร้างและเผยแพร่

การมีส่วนร่วม

ยินดีรับการมีส่วนร่วม! ดู CONTRIBUTING.md สำหรับแนวทาง

1. 1Fork repo
2. 2สร้าง feature branch
3. 3ทำการเปลี่ยนแปลงของคุณ
4. 4ส่ง PR

ความปลอดภัย

พบช่องโหว่ด้านความปลอดภัยหรือไม่? โปรดรายงานอย่างรับผิดชอบ ดู SECURITY.md สำหรับรายละเอียด

ใบอนุญาต

MIT License — ดู LICENSE สำหรับรายละเอียด