VoiceStudioとは？
VoiceStudioは、ElevenLabsがクラウドで提供する機能をローカルで実現するデスクトップアプリです。Dockerイメージやプレビュー版のスマートフォン向けアプリも用意されています。参照録音からの音声クローニング、テキスト説明からの音声デザイン、タイミングを合わせた発話による動画の吹き替え、フローティングウィジェットを通じた任意のテキストフィールドへのディクテーション、音声の文字起こし、オーディオブックの朗読が可能です。READMEでは646言語への対応が謳われています。デフォルトのエンジンは、Qwen3-0.6Bをベースに構築された600以上の言語に対応するテキスト読み上げモデルであるk2-fsaのOmniVoiceであり、Model Managerからは他に数十種類のエンジンも選択できます。
Apple SiliconではMetal経由、WindowsおよびLinuxではNVIDIA GPUのCUDA経由で動作し、CPU環境でも動作しますが処理速度は低下します。エージェント向けには、バックエンドがポート3900の/mcpにMCPサーバーをマウントしており、generate_speech、clone_voice、design_voice、transcribeなどのツールを提供します。あわせて、OpenAI互換の文字起こしエンドポイントを含むローカルREST APIも備えています。
本アプリはAGPL-3.0ライセンスで、Yupcha Softwares Private Limitedによって保守されています。同社は商用ライセンスと追加のバッチ機能を備えたクローズドソースのProビルドも販売しています。
VoiceStudioの料金は？
| プラン | 価格 | 内容 |
|---|---|---|
| Open source | Free | AGPL-3.0：クローニング、デザイン、吹き替え、ディクテーション、ローカルAPIおよびMCP |
| Pro | $99/user/year | 商用ライセンス、3台のデバイス、バッチ吹き替え、監視フォルダー、リモートGPUワーカー |
| Lifetime | $299 one-time | Proの全機能と今後のアップデート、3台のデバイス |
| Enterprise | Contact sales | クローズドソース製品への組み込みなど、カスタム条件 |
オープンソースアプリはAGPL-3.0のもとで無料です。Proは1ユーザーあたり年額99ドル、またはLifetimeが1回払いで299ドルで、いずれも1ユーザーあたり最大3台のデバイスで使用でき、商用ライセンスとバッチ機能が含まれます。Enterpriseは個別見積もりです。モデルの重みファイルにはそれぞれ独自のライセンスが適用されます。
VoiceStudioは使う価値があるか？
VoiceStudioは、クラウド音声サービスが提供する機能の大部分を1台のマシン上で1人のユーザーに提供しますが、成果物を販売できるかどうかはライセンスの細則によります。アプリのコードはAGPL-3.0ですが、公式のライセンス通知によると、デフォルトのOmniVoiceの重みファイルはCC-BY-NCであり、モデル一覧においても商用利用の許諾は保証されていません。このリポジトリは2026年4月の作成以来、約92,300のGitHubスターと10,200のフォークを獲得しており、2026年10月26日にv0.5.7がリリースされました。
エージェント連携の設計には、慎重な点と開放的な面が混在しています。MCPツールは音声をbase64ではなくファイルとして返すことができ、WAVデータがエージェントのコンテキストを圧迫することを防ぎます。また、ファイルの読み取りはOMNIVOICE_MCP_BASE_PATHで設定されたベースディレクトリ内に制限されます。しかしドキュメントによれば、バックエンドはデフォルトでループバック専用かつ認証なしであり、MCPトランスポートも認証されていません。さらに設定ルートはリモートコード実行クラスの権限を持ち、ループバックからアクセス可能なため、マシン上の任意のプロセスから操作できます。LAN共有機能にはPINが追加されますが、暗号化されていないプレーンなHTTP経由で送信されるとドキュメントで警告されています。初回のgenerate_speech呼び出し時には、セットアップ時に未取得の場合、約2.3 GBのモデルがダウンロードされます。
ワンラインでのインストールコマンド `curl -fsSL https://voicestudio.sh/install | sh` については、慎重な検討が必要です。2026年10月28日時点で、そのURLはmainブランチのインストールスクリプトへリダイレクトされていました。インストーラーガイドには、変更可能なmainではなくテスト済みの固定コピーが配信されると記載されているにもかかわらずです。このスクリプトはダウンロード内容をリリースのSHA256SUMS.txtと照合するため、ファイルの破損は検知できますが、両者が同じ場所から提供されているため侵害されたリリースまでは防げません。macOS上では、署名検証に失敗した際に隔離フラグを解除し、アドホックに再署名を行います。署名済みバイナリを求めるIssue（#1779）は2026年9月から開いたままです。スクリプトの内容を確認した上でダウンロードし、`sh scripts/install.sh` を実行することがドキュメント記載の代替手段です。
AGPL自体は利用者に対して寛容です。アプリの商用利用や組織内利用は無料であり、コピーレフトの義務はVoiceStudioを変更してネットワーク経由で第三者に提供する場合にのみ生じます。クローズドな製品に組み込む場合は商用ライセンスが必要となり、コントリビューターは権利を会社に譲渡するCLAに署名します。Proは1ユーザーあたり年額99ドルまたは一括299ドルで提供され、バッチ吹き替え、監視フォルダー、リモートGPUワーカーはこの版に含まれます（ただしREADMEではアプリの機能一覧に監視フォルダーが含まれています）。アプリではなくランタイムであるaudio.cppと比較すると、VoiceStudioはこれらのモデルをより扱いやすい形で提供しています。有償業務において重要となるのは、重みファイルに適用されているライセンスです。
真価を発揮する場面
16 GBメモリのApple Silicon搭載MacBookを使用する独立系ポッドキャスター
録音データをクラウドサービスにアップロードすることなく、自身のクローン音声でナレーションを作成したい
.dmgをインストールし、テキスト 付きのクリアな参照クリップを追加してMetal上で生成します。16 GBのマシンでは文字起こしの領域を確保するためにTTSモデルをアンロードします。利用は無料ですが、デフォルトのOmniVoiceの重みファイルはCC-BY-NCであるため、スポンサー付き番組や有料番組では商用出力が許可された重みを持つエンジンを選択する必要があります。
Claude CodeやCodexエージェントに音声出力を追加したい開発者
エージェントに要約を音読させ、音声メモをローカルで文字起こしさせたい
クライアントの接続先をhttp://127.0.0.1:3900/mcp/またはstdioシムに設定し、音声データがコンテキストに入らないようOMNIVOICE_MCP_OUTPUT_MODE=filesとベースパスを指定した上で、エージェントごとに音声を割り当てます。料金はかかりませんが、ループバックAPIには認証がないため、共有マシンでの実行は避けてください。
研修動画の吹き替えを行う5人体制のローカライズスタジオ
動画をキューに登録し、分単位のクラウド料金をかけずに複数の対象言語でレンダリングしたい
バッチ吹き替えにはProが必要です。費用は5シートで年額495ドル、またはLifetimeで一括1,495ドルです。ドキュメントによると、16 GB以上のNVIDIAカードであれば3〜4件の生成を同時に実行でき、10 GB以下のカードでは1件ずつの実行となり ます。商用利用の可否は、各モデルのライセンスに依存します。
導入前に確認すること
- 導入
- macOSまたはLinuxでは `curl -fsSL https://voicestudio.sh/install | sh`、Windowsでは `irm https://voicestudio.sh/install.ps1 | iex` を実行するか、.dmg、.exe、.AppImage、.deb、snap、またはGHCRのDockerイメージを使用します。モデルのダウンロード前にはアプリから確認があり、OmniVoiceは約2.3 GBです。
- 連携
- ポート3900の/mcp/またはstdioシムを通じたStreamable HTTP上のMCPに対応し、generate_speech、clone_voice、describe_voice、design_voice、transcribe、list_voicesなどのツールを提供します。OpenAI互換のPOST /v1/audio/transcriptionsおよびストリーミングWebSocketを備え、npx skills add debpalash/VoiceStudioによるエージェントスキルにも対応します。
- データとプライバシー
- 処理はローカルで行われ、ドキュメントによればアカウント作成やアップデータのテレメトリはありません。バックエンドとMCPエンドポイントはループバック上で認証なしとなっています。LAN共有はTLSプロキシを追加しない限りプレーンなHTTP経由で送信されるPINを使用します。アプリのライセンスはAGPL-3.0で、デフォルトのOmniVoiceの重みはCC-BY-NCです。
- 大規模利用時のコスト
- 自身のGPUまたはCPU上でセルフホストする場合は無料です。CPUでの処理速度はApple Siliconの約半分です。Proは年額で1ユーザーあたり99ドル、Lifetimeは299ドルで、それぞれ最大3台のデバイスに対応します。クローズドソースへの組み込みは個別見積もりです。
- 制限
- 複数話者の吹き替えで話者が統合される不具合（#3419）や生成時の静的ノイズ（#2818）など、40件の未解決のIssueおよびプルリクエストが存在します。Intel Macではリモートバックエンドが必要です。スマートフォン向けアプリはプレビュー版にとどまります。0.5.3までのリリースはTauriを使用していたため、別途移行作業が必要です。
良い点
- クローニング、デザイン、吹き替え、ディクテーション、文字起こしを1つのローカルアプリに集約
- Apple Silicon、NVIDIA、CPUで動作し、Dockerにも対応
- MCPサーバーとOpenAI互換の文字起こしエンドポイントを搭載
- Model Manager内にモデルごとのライセンス通知を表示
気になる点
- デフォルトのOmniVoiceの重みファイルはCC-BY-NCライセンス
- ローカルAPIとMCPはループバック上で認証なし
- curl | sh インストーラーがmacOSの隔離属性を解除し、バイナリが未署名
- バッチ吹き替えと監視フォルダーはPro版限定
おすすめの人
自身のハードウェア上で音声クローニング、吹き替え、文字起こしを実行したいと考え、商用利用の前に各モデルのライセンスを確認できる個人や小規模チームに適しています。
VoiceStudioの代替
VoiceStudio：よくある質問
- VoiceStudioは使う価値があるか？
- VoiceStudioはElevenLabsの本格的なローカル代替手段ですが、デフォルトの音声モデルは非商用利用に限定されたライセンスとなっており、インストーラーの実行には相応の信頼が求められます。 評価は5点満点中3.8点です。
- VoiceStudioの料金は？
- オープンソースアプリはAGPL-3.0のもとで無料です。Proは1ユーザーあたり年額99ドル、またはLifetimeが1回払いで299ドルで、いずれも1ユーザーあたり最大3台のデバイスで使用でき、商用ライセンスとバッチ機能が含まれます。Enterpriseは個別見積もりです。モデルの重みファイルにはそれぞれ独自のライセンスが適用されます。
- VoiceStudioの欠点は？
- デフォルトのOmniVoiceの重みファイルはCC-BY-NCライセンス; ローカルAPIとMCPはループバック上で認証なし; curl | sh インストーラーがmacOSの隔離属性を解除し、バイナリが未署名; バッチ吹き替えと監視フォルダーはPro版限定.
- VoiceStudioは誰に向いているか？
- 自身のハードウェア上で音声クローニング、吹き替え、文字起こしを実行したいと考え、商用利用の前に各モデルのライセンスを確認できる個人や小規模チームに適しています。
- チームや本番環境でVoiceStudioを使うと費用はいくらか？
- 自身のGPUまたはCPU上でセルフホストする場合は無料です。CPUでの処理速度はApple Siliconの約半分です。Proは年額で1ユーザーあたり99ドル、Lifetimeは299ドルで、それぞれ最大3台のデバイスに対応します。クローズドソースへの組み込みは個別見積もりです。
- VoiceStudioは企業データを扱っても安全か？
- 処理はローカルで行われ、ドキュメントによればアカウント作成やアップデータのテレメトリはありません。バックエンドとMCPエンドポイントはループバック上で認証なしとなっています。LAN共有はTLSプロキシを追加しない限りプレーンなHTTP経由で送信されるPINを使用します。アプリのライセンスはAGPL-3.0で、デフォルトのOmniVoiceの重みはCC-BY-NCです。
- VoiceStudioの代わりになるものは？
- 当サイトでレビューした中で最も近い代替はaudio.cpp, VideoAgent 、 ComfyUIです。
回答確認日：2026年10月28日