VoiceStudio 是什麼？本地 AI 配音介紹與電腦配置分級
VoiceStudio 把文字轉語音、聲音複製、影片配音與批量音訊製作放進同一個桌面介面。對想做遊戲角色試音、影片旁白或語言教材的人來說，它最有意思的地方，是可以把支援的語音模型放在自己的電腦上跑。
不過，「能安裝」和「適合每天拿來配音」有段距離。這篇先用一張四級配置表，幫你判斷手上的 Windows、Linux 或 Mac 適合做什麼，再介紹功能與開始使用的方法。
VoiceStudio 是什麼？值得看的是整合工作流程
本文介紹的是 debpalash/VoiceStudio，一個以本地運算為主的 AI 語音桌面工具。你可以選模型、管理聲音與腳本，再把生成的音訊放進配音工作流程；目前預設文字轉語音引擎是 OmniVoice。
最值得關注的功能有四種：
- 文字配音與聲音複製：輸入腳本生成語音，或用有權使用的參考錄音建立聲音特徵。複製能力取決於引擎。
- 聲音設計：依年齡、音高、口音等屬性嘗試不同聲線，適合角色試音；可控制的項目依模型而異。
- 影片配音：把轉錄、翻譯、分段語音生成與音訊組合串起來，省去在多個工具之間搬素材的步驟。
- 長篇與批量製作：處理有聲書、旁白段落或多筆工作；也提供 API 與 MCP 介面，方便串進自己的流程。
這些是官方文件列出的能力，並不代表每個模型都能做到同樣的語言、聲線或情緒品質。做繁中或日語內容，應先用自己的文本試聽。功能範圍可查 官方功能目錄。
本地運算也需要完成安裝：第一次啟動會下載執行環境與模型。選用遠端後端、雲端翻譯或外部服務時，仍會有網路傳輸；想保留素材在本機，就要確認整條流程使用的服務。
電腦配置分四級，先看自己在哪一級
下表是本文整理的實務配置建議，不是官方統一最低需求，也不是各機型速度實測。 等級按工作用途與記憶體餘裕劃分；較高等級代表比較有空間安排工作，不代表聲音一定更自然。
| 等級 | Windows／Linux 配置方向 | Apple Silicon Mac 配置方向 | 建議用途 |
|---|---|---|---|
| 第 0 級：先體驗 | 16GB RAM；沒有可用的 GPU 加速，走 CPU | 已有 8GB 機型只試輕量引擎與短句；不建議為此新購 | 熟悉介面、少量短句；需接受等待與模型限制 |
| 第 1 級：入門配音 | NVIDIA 6–8GB VRAM＋16GB RAM | 16GB 共享記憶體 | 短旁白、角色試音；一次處理一個工作 |
| 第 2 級：日常創作 | NVIDIA 12GB VRAM＋32GB RAM | 24–32GB 共享記憶體 | 經常改稿重配、分段長文、短影片配音 |
| 第 3 級：批量製作 | NVIDIA 16–24GB 以上 VRAM＋64GB RAM | 48–64GB 以上共享記憶體 | 長篇音訊、多筆工作佇列、較多模型切換 |
一般個人創作者可以先以第 2 級為目標；已有第 1 級電腦，先試再升級。 第 3 級適合已有明確工作量的人，不必為了第一次體驗就買高階設備。8GB Mac 那一列只是保守的試用方向，並非已驗證能穩定跑預設模型。
這張表有三個判讀重點：
- PC 的 VRAM 與 RAM 要分開看。 32GB 系統 RAM 不會把一張 4GB 顯示卡變成 12GB 顯示卡。
- Mac 的共享記憶體由系統、GPU 與其他程式共用。 24GB Mac 不等於 24GB 獨立 VRAM，也不能靠這張表推算和 PC 誰比較快。
- 多模型工作比單純念一句話更吃餘裕。 影片配音還包含語音辨識等步驟；記憶體不足可能造成模型反覆卸載與重新載入。
分級的官方依據是：OmniVoice 引擎文件建議獨立 GPU 至少有 6GB VRAM；效能指南則指出，16GB Apple Silicon 在配音時可能需要交替卸載模型。NVIDIA 大記憶體配置可提供更多並行空間，Apple Silicon 目前仍按單次生成設計，增加記憶體主要改善餘裕與載入切換。
先確認平台，避免買了顯示卡卻沒有加速
Windows 10／11 的 x64 電腦是常見使用路線。主要 PyTorch 引擎的 GPU 加速走 NVIDIA CUDA；沒有支援的 GPU 也可用 CPU。一般安裝包會依環境處理執行環境，不必先照網路教學自行裝整套 CUDA Toolkit。
Windows 的 AMD Radeon 或 Intel 顯示卡，不能直接加速這套安裝環境中的 PyTorch 引擎。部分其他引擎有不同路徑，例如 audio.cpp 可走 Vulkan，因此不能只看到「有顯示卡」就套用上表的 NVIDIA 等級。官方 Windows 安裝說明有完整區分；Windows ARM 目前仍屬實驗支援。
Apple Silicon Mac可使用 MPS，部分模型另有 MLX 路徑；官方 macOS 安裝文件列出 macOS 13.3 以上，應下載原生 arm64 安裝包。Intel Mac 目前不支援本地後端，只能使用介面連到其他電腦的遠端後端，不能把它當成「較慢的 CPU 版 Mac」來買。官方 macOS 安裝說明
Linux 使用 NVIDIA 是另一條路線；AMD ROCm 則要依顯示卡、系統與引擎確認相容性。新手若只是想先做出一段旁白，建議從已有且受支援的平台開始。
模型怎麼選？先選語言，再看電腦能否負擔
想做中文、日語或聲音複製，可以先試預設 OmniVoice。 先生成一小段，確認發音與聲線，再決定是否值得擴大工作量；語言覆蓋範圍不代表每種口音都一樣成熟。
只有 CPU、又只需要英文旁白，可以考慮 KittenTTS。 它是輕量的英文預設聲線引擎，沒有聲音複製功能。這是換一種較小的工作需求，不是讓低階電腦免費獲得完整版能力。KittenTTS 文件
儲存空間也要預留。官方 Windows 與 macOS 指南以約 10GB 可用空間作為基本安裝估計；本文建議初次使用留 20GB 以上 SSD 空間，準備裝多套模型或累積影片素材則留 50–100GB 以上。後兩個數字是管理餘裕建議，不是固定安裝大小，實際用量會隨模型與素材增加。
第一次使用，先完成一段短旁白
- 從 官方 Releases 選擇符合平台與處理器架構的安裝包，完成環境與模型下載。
- 開啟 Settings → Performance，檢查運算裝置與 GPU active 狀態；再到 Settings → About → Run self-check 檢查環境。
- 在 Model Catalogue 選擇支援目標語言的引擎。先試三到五句，不要第一次就丟整篇文章或長影片。
- 複製聲音時，使用自己的或已取得授權的乾淨錄音，避開背景音樂、多人同時說話與明顯雜訊。
- 第二次生成再觀察速度。第一次包含模型載入，不能直接當成平常工作速度；長文採分段處理，記憶體吃緊時減少其他程式與同時工作的模型。
如果要比較電腦，應固定引擎、文本、輸出設定與模型是否已載入，再記錄生成耗時。官方硬體基準頁截至本文查核日尚未提供已驗證的測試列，因此這篇不宣稱哪張卡一定比哪台 Mac 快幾倍。
要做商業配音，另外確認模型授權
VoiceStudio 應用程式採 AGPL-3.0-only，模型權重另有條款。目前預設 OmniVoice 的程式碼採 Apache 2.0，但預訓練權重採 CC-BY-NC 非商用授權。不能因為應用程式開源，就直接推論生成內容可用在付費遊戲、廣告或接案；使用前應核對所選模型與參考聲音的權利。應用程式的付費方案也不會自動替換模型授權。VoiceStudio 授權說明、OmniVoice 模型卡
對我來說，VoiceStudio 值得介紹的方向，是把本地語音模型變成更容易使用的創作流程。先拿現有電腦做一段短旁白，確認語言、聲音和等待時間都能接受，再按真正的工作量升級配置，會比直接追最高規格更有幫助。
若你的需求是即時對話練習，也可以延伸閱讀本站的 ChatGPT 語音模式學日語實戰，再依「做教材音訊」或「口說互動」選擇工具。
本文資料查核日期：2026 年 10 月 5 日。配置表為文件整理後的實務建議；未在各級硬體上進行 VoiceStudio 實測。
