本地变声工作台 VoxWeave：声音处理留在自己电脑里

想改旁白、游戏语音或短视频人声，很多人第一反应是找在线变声网站。方便是方便，声音文件会先离开你的电脑。

VoxWeave 走另一条路：把 RVC 变声做成本机工作台。桌面端、命令行和本机接口共用同一个后台服务，转换任务和实时会话都在你选中的数据目录里完成。当前开源版本是 0.1.0，源码许可证 AGPL-3.0-only。

先把结论摊开：它是什么、能做什么、不能做什么、适合谁，风险在哪。安装只写最短路径。

它是什么

VoxWeave 是本地优先的 RVC（Retrieval-based Voice Conversion，基于检索的语音转换）工作台。你可以把它理解成：电脑上的“变声加工台”，而不是把录音上传到某家云服务再下载结果。

0.1 版本把这些能力装在同一套服务里：

• 离线转换：音频、歌曲、视频；
• 实时麦克风变声；
• 批量目录、持续监控目录；
• 人声/伴奏分离、 VAD（语音活动检测）、多说话人聚类、指定说话人转换；
• 最多四组参数试听；
• 最终产物和实时会话会记录所用模型与索引的哈希，方便以后核对“当时到底用了哪份权重”。

它管转换、任务、设备和结果落盘。声音模型从哪来、怎么训练，都不归它。

能做什么

按仓库 README 和 0.1 验收说明，能力大致是这些：

1. 本地文件变声
   把一段语音、旁白或对白，按你导入的 RVC 模型换成目标音色。

2. 歌曲处理
   可做人声与伴奏分离，再只转换主唱并混回伴奏。分离模型默认不自动下载；只有你确认来源和许可后，才可显式安装。

3. 视频处理
   验收记录里写过：成片可保留原视频流和原音轨，再附加一条变声后的音轨，而不是无脑重编码整条片子。长视频会按块处理。

4. 实时麦克风
   在 Windows 上选择本机输入/输出设备，边说边变。默认约 0.5 秒音频块；机器吃力时可切到 1.0 秒稳定档，用更高延迟换连续感。连续模式建议戴耳机，输入和输出必须属于同一个音频接口。

5. 批量与监控
   可对目录做批量任务，也可持续监控新文件入队。

6. 给自动化/脚本用
   同一后台提供本机 HTTP/WebSocket 和 CLI 。长任务会返回 task_id，适合自己写小工具对接，不适合指望“装完就有云端账号体系”。

不能做什么

README 把边界写得很死：

• 不包含声音模型。仓库不随包装现成“某明星/某角色”模型；官方目录目前也是空的、可审计的。模型要你自己合法导入。
• 不做模型训练。想炼自己的音色，得去 RVC 训练流程，不在 VoxWeave 0.1 范围。
• 不做 GPT-SoVITS，也不提供虚拟声卡。
• 不是一键安装包。现阶段不生成安装器、压缩包或整合运行时；从源码启动。
• 真机验收平台目前只有 Windows 11 + NVIDIA CUDA。源码里保留了 Linux 、 macOS 的运行边界，但后两个平台还没有真机验收，不能当成“三端都能稳跑”。
• 不会自动清理中间文件。磁盘变满时，要你在设置里确认归档，或显式提交归档任务。

只想手机上点两下换搞笑音色，会觉得这项目太重。它面向愿意在 Windows 上搭环境的人。

适合谁，不适合谁

更合适：

• 有一台带 NVIDIA 显卡的 Windows 11 电脑；
• 愿意装 Python 3.12 、 Git 、 FFmpeg，并按脚本初始化环境；
• 做播客后期、本地视频配音、游戏语音、内部演示，并且希望素材尽量留在本机；
• 能自己管理 RVC 模型文件，也接受“模型授权归使用者自己负责”。

不太合适：

• 只有手机，或只有核显/AMD 且不想折腾 CUDA 环境；
• 期望双击一个安装包、内置很多现成明星声线；
• 需要官方承诺 Linux/macOS 生产可用；
• 想用来未经同意地模仿真人声音去骗人、冒充客服、做欺诈内容。

你需要准备什么

按 README 的最短要求：

项目	说明
系统	当前验收：Windows 11
显卡	NVIDIA，CUDA 可用
软件	Python 3.12 、 Git 、 FFmpeg
数据目录	建议放在源码目录之外，例如 D:\Tools\VoxWeave
RVC 环境	可指向已有 Retrieval-based-Voice-Conversion-WebUI；也可在启动后让服务在数据目录内安装锁定版本
模型	自行准备有权使用的 RVC .pth 与对应 index

首次配置时，用仓库里的 scripts\bootstrap.ps1 指定数据目录、 RVC 路径和 FFmpeg 路径；之后 scripts\run.ps1 或双击根目录 VoxWeave.bat 启动桌面端。没有现成 RVC 时，可在环境就绪后执行 runtime.install，让后台在数据目录安装锁定的 RVC 源码与推理资源。

人声分离模型默认不下载，因为当前指定模型缺少可确认的再分发许可证；WeSpeaker ONNX（说话人相关）使用 CC-BY-4.0，默认会装。

上手路径（只保留关键几步）

1. 从 GitHub 仓库 CheshireMew/VoxWeave 获取 0.1 源码。
2. 准备 Python 3.12 、 Git 、 FFmpeg 和 NVIDIA 驱动/CUDA 环境。
3. 运行 bootstrap.ps1，把数据和虚拟环境放到源码外的数据目录。
4. run.ps1 或 VoxWeave.bat 打开桌面端。
5. 导入你有权使用的 RVC 模型，先拿一小段自己的录音试听参数。
6. 再处理完整音频、歌曲或视频；实时模式先开测试模式，确认电平和延迟。

完整命令和协议见仓库 README.md、docs/PROTOCOL.md、docs/ARCHITECTURE.md、docs/VALIDATION.md。 0.1 还早，这里不写成“复制粘贴必成”的操作手册。

风险和规矩

1. 声音授权
   模型文件可能模仿真实人物或角色。使用者必须取得声音主体、模型制作方和素材权利人的必要许可，并遵守当地法律与平台规则。开源软件许可证，不等于某个人把声音使用权送给你了。

2. 许可证
   VoxWeave 源码是 AGPL-3.0-only。若你改代码并以网络服务形式提供给他人使用，AGPL 对源码公开有更严要求，二次分发前先读 LICENSE 和 THIRD_PARTY_NOTICES.md。

3. 模型政策
   官方目录只接受来源可追溯、许可明确、带 SPDX 与 SHA-256 的条目。许可不明或禁止再分发的模型不能进官方目录；你仍可本机导入，但记录会标成未知或用户自报许可，且不会自动上传。

4. 硬件与稳定性
   实时会话会独占 GPU：已有离线任务时不能开实时；实时进行中新任务会排队。机器性能不够时，延迟和断续都会上来。

5. 隐私
   默认路径是本机处理。你自己若把结果上传到公网、或把本机 API 暴露到公网，风险就回到你的网络配置上。发现文件含本机回环端口和临时令牌，不要把这些文件当普通截图乱发。

6. 项目阶段
   0.1.0 很新（2026-08 前后发布），功能还在快速迭代。用它处理重要成片前，先用小样验证音质、延迟和成片封装。

小结

VoxWeave 适合这批人：有 Windows + NVIDIA，想在本地做 RVC 变声，并能自己管理模型和授权。

它不适合指望“打开网页就换声”、也不适合把未授权的真人声线当玩具公开传播。

仓库地址：

https://github.com/CheshireMew/VoxWeave

用之前先读 README 、 MODEL_POLICY.md 和 LICENSE 。模型从哪来、声音能不能用，责任在操作的人。

来源：https://github.com/CheshireMew/VoxWeave