VoiceCard

克隆你的声音，并将其变成一段可分享的波形 视频，全程由 MCP 驱动。无需 GUI。仅支持 Apple Silicon。

语音克隆如今已是再普通不过的功能。真正的差异在于 交付：一段带有漂亮音频响应波形的短视频 MP4 可以在 WhatsApp、iMessage、Signal 和 Slack 中直接内联播放，而原始音频文件常会卡住、无法自动播放，或无法在 iOS/Android 之间互通。你发出去的每一个小片段，也同时是这个工具的一则广告。这就是这个创意的全部。

前端就是 MCP。你可以从 Claude Code、Cursor 或任何支持 MCP 的 agent 与它对话：

“请从 ~/Desktop/me.mov 克隆我的声音（下面是文字稿），然后生成一个 15 秒、Miami 配色、中间放我照片、说“生日快乐”的片段。”

工作原理

完全独立运行。语音由 mlx-audio（基于 MLX 的 Qwen3-TTS）在本地生成，波形视频用 MLX / Pillow 渲染，并用 ffmpeg 封装。不依赖云，没有 Voicebox，也没有桌面应用。

克隆采用零样本上下文学习：它会把你提供的参考音频裁剪到约 12 秒，并以它为条件生成。没有训练步骤，也不存在一个声音一个独立模型的做法。

环境要求

• Apple Silicon Mac（arm64）。启动时会强制校验。

• 可将 ffmpeg 加入 PATH（brew install ffmpeg）。

• 首次运行会把 Qwen3-TTS 权重（约几 GB）下载到 Hugging Face 缓存。

安装

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

用 Claude Code（stdio）注册：

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

工具

Palettes（调色板）： Noir（默认）、70s Gold、Miami、Aurora、Sunset、Mint、Blueprint 宽高比（Aspect）： square（1080×1080，默认）、portrait（9:16） Layout（布局）： linear（→默认，圆形照片 + 下方紧凑渐变波形，Dynamic Island 风格）· circle（居中、音频自适应的频谱环形） Arc（仅 circle 布局）： full（默认，镜像双环） · top（只在视线上半部分出现尖峰）

配置（环境变量）

备注

• 输出为立体声、粒化版 +faststart，H.264 High profile，确保能在通讯 App 里直接内联自动播放。

• 波形采用风格化设计，始终显得有生命力，而不是一个诊断用的频谱分析仪。

• 自回归解码器的 Core ML / ANE 分流暂无计划（动态形状 + KV 缓存 + 顺序解码与 ANE 配合不佳）。未来唯一值得探索的是 Core ML vocoder 的异构拆分。

License

MIT。你只负责克隆你自己拥有版权或已获得授权的声音。MIT 列出的归属范围也适用于此。