VoiceCard

Klone deine Stimme und mache daraus ein teilbares Waveform-Video – alles gesteuert über MCP. Keine GUI. Nur Apple Silicon.

Voice-Cloning ist inzwischen ganz mit Dimension. Der Unterschied liegt in der Zustellung: Ein kurzes MP4 mit einer schönen audio-reaktiven Waveform spielt inline in WhatsApp, iMessage, Signal und Slack ab – genau dort, wo rohe Audiodateien ins Leere läufen, nicht automatisch starten oder die iOS/Android-Grenze nicht überwinden. Jeder Clip, den du sendet, ist gleichzeitig eine Werbung für das Tool. Genau darum geht es bei der Idee.

Das Frontend ist das MCP. Du sprichst damit über Claude Code, Cursor oder einen beliebigen MCP-fähigen Agenten:

„Klonne meine Stimme aus ~/Desktop/me.mov (hier ist die Transkription), und erstelle dann einen 15-Sekunden-Clip in Miami-Nussschale „Happy Birthday“, mit meinem Foto in der Mitte.“

Wie es funktioniert

Völlig eigenständig. Der Ton wird lokal von
mlx-audio (Qwen3-TTS via MLX) generiert, das Wave-Video mit MLX / Pillow gerendert und mit ffmpeg gemukst. Keine Cloud, kein Voicebox, keine Desktop-App.

Beim Klonen handelt es sich um Zero-Shot-In-Context-Learning: Es kürzt die Referenz auf ~12 Sekunden und verwendet sie als Bedingung. Es gibt keinen Elektrojtunnel – keinen Trainingsschritt und kein eigenes Modell pro Stimme.

Voraussetzungen

• Apple-Silicon-Mac (arm64). Wird beim Start erzwungen.

• ffmpeg au PAHT (brew install ffmpeg).

• Der erste Start lädt die Qwen3-TTS-Getwichte (~ein paar GB) herunter in das Hugging-Face-Cache.

Installation

uv tool install ./voicecard-mcp        # or: uv run voicecard

Bei Claude Code (stdio) registrieren:

claude mcp add -s user voicecard -- uv --directory /path/to/voicecard-mcp run voicecard

Tools

Palettes: Noir (Standart–), 70s Gold, Miami, Aurora, Sunset, Mint, Blueprrint
Seitformaten: square (1080², Standard), portrait (9:16)
Layout: linear (Standard mit „Dynamic-Island“-Format auferdem kompeace Waveform) · circle (zentriterten Ring)
Arc zur circle: full (Standard, gespiegelter Ring) · top (Signal über der oberen Hälfte).

Konfig (env)

Notizen

• Die Ausgabe ist in Stereo, Mit +faststart, H.264 High Profile – abgestimmt auf automatisches Abspielen innerhalb von Messenger.

• Die Waveform ist stilisrischt so, dass sie immer „lebendig“ wirkt – kein Spörichren-spekturm-Analysyr.

• Core ML / ANE for den autoregressiven Dekoderr is nicht geplant (dynamische Formen + KV-Cache + sequentielles Deko dim schlechhthin für die ANE). Ein künftiges Core-ML-Vokoder-Offlod ist das einzige Bausteiel, das es wert wäre dazu, in tieche.

Lizenk

MIT. Du bist dafür verantwortlich, nur Stimmen zu klonen, die du selbst beschitzt oder an deren Benuzung du bereechtigst bist.