Voicebox Clones Any Voice From 3 Seconds of Audio, Runs Locally for Free, and Has No Consent Lock

Безкоштовна, самостійно розгорнута студія клонування голосу від Джеймі Пайна, канадського розробника, який стоїть за файловим менеджером Spacedrive, набрала понад 26 500 зірок на GitHub і випустила свою найсміливішу оновлення — якраз у той момент, коли шахрайство з голосом на основі ШІ прискорюється так швидко, що жодна детекція чи правова рамка не встигають за ним.

Проєкт, оприлюднений на github.com/jamiepine/voicebox під ліцензією MIT, позиціонує себе як “відкрите програмне забезпечення для студії голосу з використанням штучного інтелекту”. Версія 0.5.0, випущена за останніми тижнями, перетворила voicebox з студії клонування голосу у повноцінну платформу вводу-виводу голосу: він може клонувати будь-який голос за кілька секунд аудіо, генерувати мовлення на 23 мовах за сімами двигунами тексту в мову (TTS), диктувати до будь-якої програми через глобальну гарячу клавішу та надати голос користувача AI-агентам, що відповідають голосом користувача — все без відправлення жодного аудіофайлу на віддалений сервер. Весь конвеєр працює на обладнанні користувача.

Кожна можливість, яка робить voicebox справді корисним для розробників доступності, подкастерів, ігрових студій та інженерів AI, водночас дозволяє створювати переконливе аудіо-подібність будь-кого, чиї голос згадується в трисекундному публічному уривку — без технічного механізму перевірки згоди обличчя.

Сім двигунів, 23 мови, одна локальна машина

Voicebox розроблено як настільний додаток з використанням бэкенду Python, frontend’у на React і TypeScript, та Rust через фреймворк Tauri. Він підтримує Apple Silicon через середовище MLX та GPU Nvidia, AMD та Intel через PyTorch, ROCm, DirectML та відмову від CPU. Поточний ряд з семи двигунів тексту в мову включає Qwen3-TTS від Alibaba ( доступний у параметрах 0.6B та 1.7B), Multilingual Chatterbox, Turbo Chatterbox, LuxTTS, HumeAI TADA, Kokoro 82M та Qwen CustomVoice. Більшість цих моделей можна перемикати під час кожного формування без перезапуску застосунку.

Версія 0.5.0, яку Пайн описав у журналі змін як момент, коли “Voicebox перестає бути просто студією клонування голосу і стає повною AI-студією голосу”, додала системний диктофон через конфігурований клавішовий акорд, плаваюче накладання на екрані, яке відображає стан запису та транскрипції, та нативну інтеграцію з агентами AI, які підтримують протокол Model Context — дозволяючи інструментам, як Claude Code, Cursor та Windsurf, вимовляти відповіді голосом користувача, використовуючи власний клону голосу.

Додаток також містить локальну мовну модель Qwen3 (0.6B до 4B параметрів залежно від доступної пам’яті), яка покращує тексти диктування — прибирає зайві слова, виправляє пунктуацію та за потреби переписує текст у стилі профільної персони — не допускаючи, щоб цей текст покидав машину користувача.

Чому розробники відходять від хмарових API голосу

Voicebox чітко позиціонує себе як локально орієнтована альтернатива ElevenLabs, яка стягує від 22 до 99 доларів на місяць за свої рівні Creator та Pro і обробляє весь аудіо на власних серверах.

Тимчасовий відміток популярності voicebox відображає зміну в настроях розробників. У березні 2025 року оцінка Consumer Reports шести комерційних платформ клонування голосу — ElevenLabs, Speechify, PlayHT, Lovo, Descript та Resemble AI — виявила, що чотири з шести вимагали лише прапорець з підтвердженням згоди на клонування будь-якого голосу, без технічного механізму перевірки згоди мовця. Грейс Гедґі, аналітик політики Consumer Reports, що висвітлює штучний інтелект, сказав тоді, що відсутність заходів безпеки може фактично «посилити» шахрайства з уподібненням та що перевірка полів із позначенням не відлякала б жодного намагання зробити навмисний підроблений голос.

Для команд, які дотримуються вимог відповідності або розробників, які філософськи проти завантаження біометричних аудіоданих до стороннього хмарного середовища, voicebox пропонує інший компроміс: аудіо ніколи не виходить з їхнього комп’ютера, відсутня угода постачальника щодо того, що станеться з введеннями, а ліцензія MIT дозволяє комерційне використання без обмежень.

Границя згоди, якої відкритий код не закриває

Та сама конструктивна особливість, через яку voicebox приваблює розробників, що піклуються про приватність, також знімає останню спротив між злом та переконливою імітацією. Voicebox постачається без внутрішнього механізму перевірки, чи особа, чий голос клонують, дала згоду на процес. Користувач, який завантажує трисекундний аудіокліп із публічного відео, може створити функціональний клон голосу без технічних бар’єрів між ним і виходом.

Це не проблема, характерна тільки для voicebox — дослідження Consumer Reports вказало, що більшістю комерційного ринку ця проблема також описана — але модуль самохостингу усуває навіть слабкі стримуючи, які платформи в хмарі пропонують, наприклад, відстеження облікових записів та аудит після факту.

Дослідники Університету Каліфорнії в Берклі на чолі з професором Хані Фарідом, який спеціалізується на глибоких фейках голосу, опублікували дослідження про те, що слухачі правильно розпізнавали голоси, створені ШІ як фальшиві лише у 60 відсотках випадків — ледве вище рівня 50 відсотків, який можна досягти випадковим передбаченням. Співавтор Фаріда Сара Баррінґтон зазначила, що коли два голоси порівнюються поряд, слухачі розрізняють реальний від синтетичного лише у 20 відсотках випадків.

Реальна шкода від ширшої екосистеми клонування голосу вже відчутна. У січні 2026 року бізнесмен у швейцарському кантоны Швіц був обдурений на кілька мільйонів франків через серію телефонних дзвінків, у яких аудіо було змінено, щоб звучати як довірена ділова партнерка. Центр фінансових послуг Deloitte прогнозував, що збитки від шахрайства з використанням ШІ можуть сягати 40 мільярдів доларів на рік до 2027 року, порівняно з 12,3 мільярда доларів у 2023 році.

Сара Майерс West, співвиконавчий директор AI Now Institute, організації з політики та досліджень, вже казала щодо комерційних інструментів клонування голосу взагалі, що технологія «зрозуміло може використовуватися для шахрайства, обману та дезінформації, наприклад для імітації урядових осіб».

Час регуляторного годинника пішов

Розробники, що створюють продукти на основі voicebox або подібних інструментів, стикаються з зменшуваним вікном відповідності, незалежно від того, де запускається базова модель.

Стаття 50 ЄС AI Act вимагає, щоб будь-який застосунок, який генерує або значно маніпулює аудіоконтентом, marking свої виходи у машиночитному форматі, щоб їх можна було виявити як штучно згенеровані або маніпульовані, і щоб розробники розкрили, коли контент є глибоким підробкою (deepfake). Ці вимоги набирають чинності з 2 серпня 2026 року для будь-якого продукту, що обслуговує користувачів в Європейському Союзі — незалежно від того, чи працює базова модель у дата-центрі чи на ноутбуку розробника.

У США правова відповідальність приходить іншим шляхом. Кілька штатів вже розглядають голос людини як захищений атрибут ідентичності за статутами права на публічність, що означає, що несанкціоноване комерційне використання клонованого голосу може спричинити цивільну відповідальність без необхідності наявності конкретного федерального закону про глибокі підробки. Закон штату Теннессі Про забезпечення подоби, голосу та безпеки зображення, що набув чинності у липні 2024 року, був першим законодавчим актом штату, що прямо забороняє несанкціоноване AI-клонування голосу конкретних осіб, а Каліфорнія, Нью-Йорк та Іллінойс з тих пір прийняли або посилили відповідні заходи.

Федеральні судові позови вже активні у комерційному просторі клонування голосу. Дві акторки озвучення, Карріса Вакер та Марк Бойетт, позвали Lovo до федерального суду в Манхейтені, стверджуючи, що їхні голоси були клоновані без згоди для комерційного використання. Цей кейс ілюструє, що розрив у правовій відповідальності між комерційними платформами та самостійними інструментами діє в одному напрямку: платформу можна притягнути до відповідальності; розробника, який запускає voicebox локально, важко відслідкувати.

Розробники, які використовують voicebox для створення продуктів, що клонують голоси третіх сторін, повинні розглядати документацію згоди, маркування виходу та відповідність ЄС AI Act як завдання з першого дня інженерної роботи, а не як майбутню турботу.

Що Voicebox правильно робить — і що залишає розробникам

Voicebox — технічно серйозний проєкт. Він конкурує з комерційними інструментами, які стягують плату за передплату, працює на обладнанні, яке більшість розробників вже має, повністю усуває ризики зберігання даних у хмарі та має справжню широту: сім взаємозмінних двигунів тексту в мову, системний диктофон, REST API, нативну інтеграцію з Model Context Protocol та локальну мовну модель для вдосконалення транскриптів. Для застосувань доступності — синтез мови для людей, які не можуть її виробляти самостійно — це значуще демократизаційне вдосконалення можливості, яке раніше вимагало дорогого комерційного ліцензування.

Втім він не забезпечує жодного механізму управління: відсутня перевірка згоди, відсутнє водяний знак виходу, відсутній аудиторний журнал того, які голоси були клоновані. На ринку комерційних платформ Consumer Reports виявив, що навіть базовий прапорець з згодою розглядали як достатній чотири з шести постачальників — і ці інструменти принаймні пов’язані з обліковим записом користувача. Розгортання self-hosted voicebox не має прив’язки до жодної людини.

Джеймі Пайн, який також є CEO Spacedrive Technology Inc., не опублікував політичну заяву щодо запобігання зловживанням voicebox. TechTimes звернувся, але до публікації відповіді не надійшло.

Оскільки аудіо, створюване ШІ, стає не відрізним від реальної мови у масштабі — команда з Берклі встановила, що розпізнавання людьми було всього трохи вище за шанс — розрив між тим, що технологія клонування голосу може робити, і тим, що будь-яка законотворча вимога вимагає від розробників запобігати, буде продовжувати розширюватися. Швидке зростання Voicebox до 26 500 зірок свідчить про те, що розрив уже більший, ніж очікують більшість людей.