VoiceCard

あなたの声をクローンし、共有可能な波形動画に変換します。すべてMCPで駆動。GUIなし。Apple Siliconのみ対応。

音声クローンはもはやコモディティです。差別化要因は配信にあります。美しいオーディオ反応型波形を備えた短いMP4は、WhatsApp、iMessage、Signal、Slackでインライン再生されます。生の音声ファイルは、再生が止まったり、自動再生に失敗したり、iOS/Android間で互換性がなかったりします。送るすべてのクリップが、そのツールの広告にもなります。それが全体のアイデアです。

フロントエンドはMCPです。Claude Code、Cursor、またはMCP対応エージェントから操作します。

「~/Desktop/me.movから私の声をクローンして（トランスクリプトはこれ）、マイアミパレットの15秒のクリップで「ハッピーバースデー」と言って、中央に私の写真を入れて」

仕組み

完全にスタンドアロンです。音声はmlx-audio（MLX経由のQwen3-TTS）によってローカルで生成され、波形ビデオはMLX / Pillowでレンダリングされ、ffmpegでミックスされます。クラウドなし、Voiceboxなし、デスクトップアプリなし。

クローンはゼロショットのインコンテキスト学習です。参照を約12秒にトリミングして条件付けします。トレーニングステップも、声ごとの別モデルもありません。

Related MCP server: Rheo MCP Server

要件

• Apple Silicon Mac（arm64）。起動時に強制されます。

• 手動でインストールするものは他にありません。ffmpegはバンドルされています（imageio-ffmpegによる静的バイナリ）。PATH上のシステムffmpegがあれば自動的に使用されます。

初回実行が遅い

インストール自体は高速ですが、AIモデルはダウンロードされません。最初のclone_voice / make_clipで、VoiceCardは共有のHugging Faceキャッシュ（~/.cache/huggingface/hub/）に遅延取得します。

• Qwen3-TTSウェイト（約数GB）— 音声合成用。

• Whisper（large-v3-turbo、約1.5GB）— 参照の自動文字起こしとキャプションのタイミング調整に使用。

両方ともキャッシュされるため、一度だけ発生します。初回呼び出しには数分、帯域幅、約数GBのディスクを予算に入れてください。

Hugging Faceアカウントやトークンは不要です — 両モデルは公開されており、匿名でダウンロードされます。Hugging Faceはダウンロードホストとしてのみ使用されます。ただし、匿名ダウンロードはレート制限があります。最初のダウンロードが遅い、または制限されている場合は、無料トークンを設定すると、より高速/高レートのダウンロードが可能です（完全に任意）。

export HF_TOKEN=hf_xxx      # optional — only speeds up / de-throttles the first download

インストール

uvが必要です（brew install uv、またはそのページのワンライナーインストーラー）。他には何も必要ありません — ffmpegはバンドルされており、モデルは自動的にダウンロードされます。

GitHubからのワンライナー：

uv tool install git+https://github.com/JasonMakes801/voicecard-mcp

次に、Claude Codeに登録します（voicecardコマンドがPATHに追加されます）：

claude mcp add -s user voicecard -- voicecard

これで完了です。エージェントにclone_voiceとmake_clipを依頼してください。

git clone https://github.com/JasonMakes801/voicecard-mcp
cd voicecard-mcp
uv tool install .                      # or: uv run voicecard

# register the in-place checkout
claude mcp add -s user voicecard -- uv --directory "$PWD" run voicecard

ツール

パレット： Noir（デフォルト）、70s Gold、Miami、Aurora、Sunset、Mint、Blueprint アスペクト： square（1080²、デフォルト）、portrait（9:16） レイアウト： linear（デフォルト — 円形写真+その下にコンパクトなグラデーション波形、Dynamic-Islandスタイル）・circle（中央にオーディオ反応型スペクトラムリング） アーク（circleレイアウトのみ）：full（デフォルト、ミラーリングされたリング）・top（上半分にスパイク）

設定（環境変数）

テスト

uv pip install -e ".[test]"

pytest tests/test_fast.py tests/test_mcp.py -q      # fast: no model, no network (~1s)
VOICECARD_RUN_MODEL_TESTS=1 pytest tests/test_integration.py -q   # real Qwen+Whisper (downloads GBs)
bash scripts/virgin_install_test.sh                 # fresh-venv install + smoke, from scratch

• 高速（test_fast.py、test_mcp.py）：パレットの整合性、キャプションの配置（入力単語、STTタイミング）、引数検証、MCPプロトコルサーフェス。

• 統合（test_integration.py、ゲート付き）：クローン→スピーク→make_clipのエンドツーエンドで、mp4にオーディオ+ビデオがあり、期間がゼロでないことを検証。

• クリーンインストール（scripts/virgin_install_test.sh）：使い捨てvenvにインストールし、インポート、バンドルffmpegフォールバック（brewなし）、コンソールスクリプト、およびインストール済みパッケージに対するモデルなしスイートを検証。

ノート

• 出力はステレオ、+faststart、H.264 Highプロファイル — メッセンジャーでのインライン自動再生に最適化されています。

• 波形は、診断用スペクトラムアナライザーではなく、常に生きているように見えるようにスタイライズされています。

• 自己回帰デコーダーのCore ML / ANEオフロードは計画されていません（動的シェイプ+KVキャッシュ+シーケンシャルデコードはANEに不向きです）。将来のCore ML ボコーダーオフロードだけが検討に値します。

ロードマップ

• Whisperなしのキャプション（Qwen自身のアライメントを活用）。 Qwen3-TTSは12Hzで動作し、クロスアテンション（単調なテキストトークン→オーディオフレームのリッジ）を介して単語タイミングを内部的にすでに知っています。現在は、出力に対してWhisperを実行してタイミングを復元しています — 堅牢ですが、モデル全体がもう1つ必要です。代わりに、mlx-audioのデコードにパッチを当てて、ターゲット領域（ICL参照をフロントカット）のクロスアテンションを表面化し、単調なアライメントを抽出し、テキストトークンを単語にマッピングします。これにより、Whisperをクリップごとのホットパスから外すことができます。クローン時にtranscriptを渡すことと組み合わせると、通常のユーザーはWhisperを実行（またはダウンロード）する必要がなくなります。リスク：mlx-audioの内部デコードは安定したAPIではないため、バージョンを固定し、ドリフトテストを追加します（Qwen由来のタイミングとWhisperをフィクスチャで比較し、乖離したら失敗）。注：アラインする音素はありません — BPEテキストトークン→オーディオフレームのみです。

ライセンス

MIT。あなたは、所有している、または使用を許可されている声のみをクローンする責任があります。