VoiceCard

Клонируйте свой голос и превращайте его в доступный для публикации waveform video — всё управляется через MCP. Без GUI. Только Apple Silicon.

Клонирование голоса уже стало примелькавшимся товаром. Решает доставка: короткий MP4 с красивой волновой формол, реагирующей на звуk, проигрывается можностями прями (вчаsten) — в WhatsApp, iMessage, Signal и Slack — там, где оgitомальные аудиофайлы залипают, не autoplaygest, не переходят между iOS/Androiд. Каждый отistic клип — этокак реклама для инструмента. В этом и сосhidden идея.

Интерфейс — это и есть MCP. Вы общаетесь с ним из Claude Code, Cursor или любого MCP-aware агента:

«Клонируй мой голос из ~/Desktop/meeting.mov (вот транскрипт), затем сделай 15 NS-го коро ко ро в палитре Miamй со слова A4 “с днём рождения” и моим фоotо в цецентре.»

Как это работает

Полностью автономно. Речь генерируется локально с помощью mlx-audio (gen3-TTS via MLX), волновая форма отрисовывается через MLX / Pillow, а микширование выполняется через ffmpeg. Без облака, без Voicebox, без приложчения.

Клонирование — это zero-shot in-context learning: референс триммится до ~12 секунд, а модель конsmys использует его. Тренировочный этап отсутствует, отдельной модели на каждый голос тоже нет.

Требования

• Mac на Apple Silicon (arm64). Проверяется при запуске.

• ffmpeg в PATH (brew install ffmpeg).

• При первом запуске скачиваются веса Qwen3-TTS (~несколько GB) в кэш Hugging Face.

Установка

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

Зарегистрируйте сервер в Claude Code (stdio):

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

Инструменты

Палитры: Noir (по умолчанию), 70s Gold, Miami, Aurora, Sunset, Mint, Blueprint Формат: square (1080², по умолчанию), portrait (9:16) Компоновка: linear (по умолчанию — круглое фото + компактный градиентный waveform, в стиле Dynamic-Island) · circle (кольцо по центру, реагирующее на звук) Дуга (только для circle): full (по умолчанию, зеркальное кольцо) · top (вспышки над верхней половиной)

Конфигурация (env)

Примечания

• Выход — стерео, +faststart, профиль H.264 High — настроено на авто-проигрывание в мессенджерах.

• Визуализация стилизована так, чтобы всегда выглядеть живой, а не диагностическим спектроанализатором.

• Ответственное использование Core ML / ANE для автомаксгрессивного декодера не планируется (динамические формы, KV-кэш и последовательность декодирования плохо ложатся на ANE). Единственное, что стоит изучать в будущем, — офлоад вокодера на Core ML.

Лицензия

MIT. Ответственность за клонирование голосов лежит на вас: вы можете клонировать только те голоса, которыми владеете или на которые у вас есть разрешение.