VoiceStudio: локальный синтез голоса без облака и подключение к Claude Code через MCPЗаметка · дайджест за 18 ноября
VoiceStudio: локальный синтез голоса без облака и подключение к Claude Code через MCP
Заметка3 раздела≈ 4 мин

VoiceStudio: локальный синтез голоса без облака и подключение к Claude Code через MCP

Когда голосовой ассистент зачитывает утреннюю сводку или итоги тестов, обычно за кадром работает облачный конвейер. Текст улетает на чужие серверы, счётчик символов мотает деньги за подписку, а имена клиентов и названия проектов оседают в сторонних логах. Стоит развернуть на Mac открытую студию VoiceStudio, и вся эта кухня переезжает на твои графические ядра Apple Silicon. Наружу не уходит ни байта, а 33 секунды естественной речи на Mac с 16 ГБ памяти собираются примерно за 18 секунд.

Установка на Mac и ловушка красного бейджа

VoiceStudio — бесплатный проект с открытым кодом, набравший больше 111 тысяч звёзд на GitHub. На странице релизов лежат установщики для Windows и Linux, а на macOS студия ставится тремя командами:

brew tap debpalash/tap
brew trust --cask debpalash/tap/voicestudio
brew install --cask debpalash/tap/voicestudio

При первом запуске приложение само разворачивает локальное окружение с Python, проверяет память и графические ядра. Остаётся выбрать пакет моделей, например Balanced, и на экране приватности отключить телеметрию, оставив невидимую водяную метку для честной маркировки аудио.

У базовой сборки есть юридическая засада, которую отдельно разбирают в обзоре на канале Julian Goldie SEO. Модель по умолчанию OmniVoice идёт под лицензией CC-BY-NC — она годится только для личных тестов. В настройках у каждого движка горит бейдж: красный запрещает коммерцию, а зелёный её разрешает.

Хочешь озвучивать клиентские отчёты или курсы — сразу переключи движок на зелёный значок.

Под Apache 2.0 в студии есть два движка для создания голоса с нуля. Тяжёлая модель VoxCPM2 на ноутбуке с 16 ГБ памяти генерирует одну фразу за минуты, поэтому на обычном Mac удобнее взять связку MLX-Audio и компактную Qwen3-TTS VoiceDesign весом 1,4 ГБ. Клонировать же имеет смысл только свой голос или запись с письменного согласия автора.

Как собрать тембр по текстовому описанию

Во вкладке дизайна голоса можно обойтись без микрофона. Опиши персонажа по пяти деталям: кто он, возраст, манера, акцент и характер звука. Для ассистента в духе Джарвиса по имени J подойдёт такой промпт:

A calm, refined British male AI butler in his forties. Smooth, warm baritone, crisp and precise, quietly witty, unhurried, close-mic studio quality.

Первый синтез после запуска длится дольше из-за загрузки модели в память, зато дальше реплики готовы за секунды. Перебери три-четыре случайных сида и сохрани удачный дубль в профиль J. Если голос звучит сухо или резко, меняй в описании по одному признаку за раз — сразу видно реакцию движка.

Мост MCP: учим Claude Code говорить голосом

Внутри VoiceStudio работает локальный HTTP-сервер Model Context Protocol на порту 3900 без облачных ключей. Чтобы связать его с Claude Code, положи в корень проекта файл .mcp.json:

{
  "mcpServers": {
    "voicestudio": {
      "url": "http://localhost:3900/mcp/",
      "headers": {
        "X-OmniVoice-Client-Id": "claude-code"
      },
      "settings": {
        "outputMode": "files",
        "outputDirectory": "/tmp/voicestudio-output"
      }
    }
  }
}

Заголовок X-OmniVoice-Client-Id привязывает запросы к клиенту, а в документации VoiceStudio авторы предупреждают про параметр outputMode: "files". Без него сервер вернёт аудио прямо в диалог гигантской строкой Base64. Это как попросить курьера принести пластинку, а он станет надиктовывать тебе каждую дорожку по телефону — контекстное окно модели забьётся десятками тысяч лишних токенов.

В файловом режиме агент получает только короткий путь к WAV-файлу в /tmp/voicestudio-output. Давай посмотрим на связку в деле: Claude Code прогоняет интеграционные тесты, проверяет репозиторий со статусом CI и сжимает итог в четыре фразы об упавших проверках и пулреквестах. Через инструмент voicestudio_synthesize агент отдаёт текст профилю J, и Mac зачитывает вердикт вслух через динамики. Правда, держать рядом тяжёлую кодинг-модель и качественный синтез комфортно только на Mac от 16 ГБ памяти.

Хочу подробный разборГолоса помогают выбрать, что разобрать подробно. За этот материал 0 голосов.
Источники · 2