Voicebox: clone sua voz, dite e dê voz ao seu agente

Comentou VOZ no reel? Aqui estão o download oficial do Voicebox e o passo a passo para ouvir um texto na sua voz. Depois, você pode ditar em outros aplicativos e fazer o Claude Code avisar quando terminar uma tarefa.

O Voicebox é um estúdio de voz gratuito e de código aberto que roda no seu computador. Junta clonagem de voz, texto em áudio, ditado e uma conexão MCP para agentes de IA. É a proposta de reunir tarefas do ElevenLabs e do Wispr Flow num app local; a qualidade e a velocidade dependem do modelo e do seu computador.

Conferido em 26/09/2026: versão estável v0.5.0. Os números, preços, requisitos e atalhos abaixo são desse retrato. Você não precisa criar conta para usar o app local.

Instale primeiro

Mac: no menu Apple → Sobre Este Mac, confira se aparece um chip Apple ou um processador Intel. Baixe o DMG para Apple Silicon ou Intel, abra e arraste o Voicebox para Aplicativos. Abra o app e espere o indicador do servidor, no canto inferior esquerdo, ficar verde. O servidor vem junto; você não precisa instalar Python.

Windows: baixe o instalador oficial, execute o MSI ou setup.exe e siga o assistente. Abra o Voicebox. Com uma GPU NVIDIA compatível, o app pode baixar o servidor CUDA para acelerar a geração.

Linux ou Docker: ainda não há binário Linux pronto nessa versão. Use o guia de compilação ou, com Git e Docker Compose instalados, rode:

git clone https://github.com/jamiepine/voicebox.git && cd voicebox && docker compose up --build

Abra http://localhost:17600. O Compose atual publica essa porta apenas no computador local; 17493 é a porta interna do contêiner e do app desktop. O Docker oferece servidor e interface web, sem o atalho global do app desktop. A imagem é construída localmente. Para AMD, o projeto fornece docker-compose.rocm.yml; NVIDIA exige Container Toolkit e configuração de GPU apropriada — o Compose padrão usa CPU.

1

Clone a sua voz e ouça a primeira frase

1. Abra Voices → Create Voice. Algumas telas/documentos chamam isso de Profiles → New Profile. Escolha criar uma voz clonada.
2. Na aba Record, permita o microfone e grave 10–30 segundos falando naturalmente, sem música nem outras vozes. Evite amostras com menos de 5 segundos. Upload aceita uma gravação sua; System Audio captura áudio do computador, sempre com consentimento.
3. Em Reference Text, escreva exatamente o que foi dito. Dê um nome ao perfil, como Minha voz, selecione Portuguese em Language e clique em Create Profile.
4. Em Generate, escolha esse perfil e Qwen3-TTS 1.7B, uma boa primeira opção para português. Selecione português também na geração e escreva: “Oi! Esta é a minha voz, gerada no meu computador.”
5. Clique em Generate, espere o download inicial do modelo e reproduza o áudio. As próximas gerações usam o modelo já baixado.

Não ficou parecido? Confira o Reference Text, grave de novo num lugar silencioso e adicione outras amostras da mesma pessoa. Comece com uma frase curta. A interface aceita até 50.000 caracteres, divididos automaticamente em trechos, mas isso não torna a geração instantânea.

Para um idioma fora da lista do Qwen, escolha Chatterbox Multilingual.

Pronto: este é o resultado prometido no reel. As próximas etapas são opcionais.

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

Quando terminar uma tarefa, chame voicebox.speak com um resumo de uma frase em português, language="pt" e personality=false. Use a voz associada ao cliente. Se o Voicebox estiver indisponível, informe isso sem repetir a chamada indefinidamente.

curl --fail --silent --show-error --max-time 10 -X POST http://127.0.0.1:17493/speak -H 'Content-Type: application/json' -H 'X-Voicebox-Client-Id: claude-code' -d '{"text":"Tarefa concluída.","language":"pt","personality":false}'

{
  "hooks": {
    "Stop": [
      {
        "hooks": [
          {
            "type": "command",
            "command": "curl --fail --silent --show-error --max-time 10 -X POST http://127.0.0.1:17493/speak -H 'Content-Type: application/json' -H 'X-Voicebox-Client-Id: claude-code' -d '{\"text\":\"Tarefa concluída.\",\"language\":\"pt\",\"personality\":false}' >/dev/null",
            "timeout": 15
          }
        ]
      }
    ]
  }
}

[mcp_servers.voicebox]
url = "http://127.0.0.1:17493/mcp"
http_headers = { "X-Voicebox-Client-Id" = "codex" }

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

{
  "servers": {
    "voicebox": {
      "type": "http",
      "url": "http://127.0.0.1:17493/mcp",
      "headers": { "X-Voicebox-Client-Id": "vscode" }
    }
  }
}

npx @modelcontextprotocol/inspector http://127.0.0.1:17493/mcp

Idiomas: português e mais 22

Em 26/09/2026, são 23 idiomas no conjunto dos 7 motores. Só o Chatterbox Multilingual cobre todos eles. Qwen3-TTS, Qwen CustomVoice e TADA 3B oferecem 10; Kokoro, 8; LuxTTS e Chatterbox Turbo, apenas inglês. TADA 1B também é voltado ao inglês. Kokoro e Qwen CustomVoice usam vozes prontas, não a sua voz clonada.

A lista completa: árabe, chinês, dinamarquês, holandês, inglês, finlandês, francês, alemão, grego, hebraico, hindi, italiano, japonês, coreano, malaio, norueguês, polonês, português, russo, espanhol, suaíli, sueco e turco. Idiomas por motor no código.

Quanto custa e o que fica local?

Preços conferidos em 26/09/2026, em dólares americanos: o Voicebox local é grátis, sem conta. O backup/sincronização em nuvem é opcional, ainda anunciado como futuro, a partir de US$12/ano, com preço sujeito a mudança. O Wispr Flow Pro anuncia US$15 por usuário/mês; o plano Free permite 2.000 palavras por semana no desktop. A comparação também mostra US$12 por usuário/mês; confira o período de cobrança ao contratar. No ElevenLabs (link de afiliado), a clonagem instantânea começa no Starter de US$6/mês; o Free não inclui esse recurso.

Na configuração local, o processamento de voz, as amostras e as capturas ficam no computador. Você precisa de internet para baixar os modelos inicialmente; novos modelos, atualizações e verificações de download podem acessar a rede. Compartilhar áudios ou configurar serviços externos muda esse caminho. Os arquivos locais não deixam de ser sensíveis por estarem no seu disco.

Requisitos e espaço no disco

Em 26/09/2026, a documentação pede macOS 11+ ou Windows 10+, 8 GB de RAM no mínimo e recomenda 16 GB ou mais. Indica 5 GB livres como mínimo e 10 GB ou mais recomendados; reserve mais se baixar vários modelos e guardar muitas gravações.

Os downloads aproximados vão de 350 MB para Kokoro a 8 GB para TADA 3B; Qwen3-TTS 1.7B ocupa cerca de 3,5 GB. Whisper e a limpeza de ditado acrescentam seus próprios modelos. Apple Silicon usa MLX/Metal; NVIDIA no Windows pode usar CUDA, outras GPUs Windows podem usar DirectML, e Linux AMD pode usar ROCm. CPU funciona, com geração mais lenta. Requisitos oficiais.

Atualizar ou desinstalar

Antes de atualizar, exporte os perfis e salve os áudios importantes. Use o atualizador do app, quando oferecido, ou baixe a versão mais recente pelos links oficiais acima. Reabra e teste uma frase curta.

Para desinstalar, encerre o Voicebox e seu servidor; mova o app para a Lixeira no Mac ou use Configurações → Aplicativos no Windows. Os dados podem continuar em ~/Library/Application Support/sh.voicebox.app/ no Mac ou %APPDATA%/sh.voicebox.app/ no Windows. Só apague essa pasta se quiser remover também perfis, capturas e gerações, depois de fazer backup. Confira ainda o diretório de modelos nas configurações: um cache personalizado ou compartilhado pode ficar fora dessa pasta.

Remova também o servidor MCP dos clientes e qualquer hook/instrução de aviso que adicionou. Para Docker, docker compose down encerra o serviço preservando os volumes; não exclua os volumes se quiser manter os dados.

Criado por Jamie Pine, também autor do Spacedrive, o Voicebox tem licença MIT. Em 26/09/2026, a API do GitHub registrava 55.743 estrelas e 6.945 forks; a versão estável mais recente era v0.5.0, publicada em 25/04/2026. Código e releases.