Speech Studio

แอป Mac โอเพนซอร์สสำหรับโคลนเสียงและสร้างบทสนทนาหลายผู้พูดในเครื่อง วางตัวอย่างเสียง โคลน เขียนซีน แล้วสังเคราะห์ — ทั้งหมดบนแล็ปท็อปของคุณ ไม่ต้องใช้ API key ไม่ต้องใช้คลาวด์ ไม่คิดค่าใช้จ่ายต่อตัวอักษร

การทดสอบแบบบลายด์ 30 วินาที: เสียงจริง เสียงเดียวกันที่ Speech Studio โคลนในเครื่องบน MacBook และเสียงเดียวกันที่ ElevenLabs โคลนบนคลาวด์ คุณบอกได้ไหมว่าอันไหนคืออันไหน?

ทำอะไรได้

• โคลนเสียงจากตัวอย่างสั้นๆ — วางเสียงพูดไม่กี่วินาที โคลนเสียงนั้นในเครื่อง
• สร้างบทสนทนาหลายผู้พูด — เขียนซีนที่มีผู้พูดหลายคน สังเคราะห์ทั้งหมดในรอบเดียว
• ทำงานบน Mac ของคุณทั้งหมด — VoxCPM2 ผ่าน MLX, DeepFilterNet3 สำหรับลดสัญญาณรบกวน ไม่ต้องใช้เครือข่าย
• โอเพนซอร์สภายใต้ Apache 2.0 — fork, ฝัง, สร้างต่อยอด

ความต้องการของระบบ

• macOS 15+ (Sequoia หรือใหม่กว่า)
• Apple Silicon (ซีรีส์ M1, M2, M3, M4)
• RAM อย่างน้อย 8 GB (แนะนำ 16 GB)
• เนื้อที่ดิสก์ราว 3 GB สำหรับโมเดลโคลนเสียงและลดสัญญาณรบกวน (ดาวน์โหลดจาก HuggingFace เมื่อใช้ครั้งแรก)

ติดตั้ง

ดาวน์โหลด .dmg ล่าสุดจาก GitHub Releases เปิดไฟล์ ลาก Speech Studio ไปยัง /Applications แล้วเปิดใช้งาน:

เมื่อเปิดครั้งแรก macOS Gatekeeper จะแจ้งว่าไม่สามารถยืนยันนักพัฒนาได้ — เปิดผ่าน System Settings → Privacy & Security → Open anyway จนกว่าจะมีบิลด์ที่ผ่านการรับรอง การรันครั้งแรกยังดาวน์โหลด VoxCPM2 ขนาดประมาณ 2.75 GB จาก HuggingFace ไปที่ ~/.cache/huggingface/hub/ ครั้งต่อๆ ไปจะใช้แคชเดิม

สร้างบนอะไร

Speech Studio เป็น GUI บางๆ บน speech-swift ไลบรารี Swift โอเพนซอร์สที่จัดส่งทุกโมเดลที่ใช้ใน demo:

• VoxCPM2 — โมเดลโคลนเสียง (zero-shot, อ้างอิงสั้น)
• DeepFilterNet3 — ลดสัญญาณรบกวนทั้งตัวอย่างอ้างอิงและเอาต์พุตที่โคลน
• Qwen3-ASR — จับคู่เสียงกับข้อความ (ใช้ในไปป์ไลน์การทดสอบบลายด์ของ demo)
• Forced Alignment — เวลาประทับระดับคำสำหรับการแก้ไข
• การโคลนเสียง คู่มือ — ภาพรวมไปป์ไลน์ทั้งหมด

โรดแมป

• วันนี้: Mac (Apple Silicon)
• ถัดไป: Linux (CUDA + CPU), Windows
• หลังจากนั้น: พื้นที่แก้ไขที่ลึกขึ้น รองรับปลั๊กอินสำหรับโมเดลโคลนที่สับเปลี่ยนได้

ฟีดแบ็ก

เปิด issue ที่ github.com/soniqo/speech-studio/issues — ทุกรายการจะถูกอ่าน