Skip to main content
Glama

VoiceCard

克隆你的声音,并将其变成可分享的波形 视频,全部由 MCP 驱动。无需 GUI。仅限 Apple Silicon。

语音克隆现在已是商品。差异化在于 交付:一个带有精美音频响应波形的短 MP4 可以在 WhatsApp、iMessage、Signal 和 Slack 中内联播放,而原始音频文件会卡顿、无法自动播放,或无法跨 iOS/Android 传输。你发送的每个片段也是该工具的一则广告。这就是全部理念。

前端就是 MCP。你可以从 Claude Code、Cursor 或任何支持 MCP 的代理与之对话:

“从 ~/Desktop/me.mov 克隆我的声音(这是转录文本),然后制作一个 15 秒的 Miami 调色板片段,说生日快乐,中间放我的照片。”

工作原理

完全独立。语音由 mlx-audio(通过 MLX 的 Qwen3-TTS)在本地生成,波形视频使用 MLX / Pillow 渲染,并用 ffmpeg 混合。无云、无 Voicebox、无桌面应用。

克隆是零样本上下文学习:它将你的参考修剪到约 12 秒并以此作为条件。没有训练步骤,也没有每个声音的单独模型。

Related MCP server: Rheo MCP Server

要求

  • Apple Silicon Mac(arm64)。启动时强制检查。

  • 无需手动安装其他任何东西。ffmpeg 已捆绑(通过 imageio-ffmpeg 的静态二进制);如果 PATH 中存在系统 ffmpeg,则会自动使用。

首次运行较慢

安装本身很快,但不会下载 AI 模型。在首次 clone_voice / make_clip 时,VoiceCard 会惰性拉取到共享的 Hugging Face 缓存(~/.cache/huggingface/hub/):

  • Qwen3-TTS 权重(约几 GB)——语音合成。

  • Whisper(large-v3-turbo,约 1.5 GB)——用于自动转录参考和给字幕计时。

两者都会被缓存,所以只发生一次。为首次调用预留几分钟、一些带宽和约几 GB 的磁盘空间。

无需 Hugging Face 账户或令牌——两个模型都是公开的,可匿名下载。Hugging Face 仅用作下载主机。不过,匿名下载有速率限制;如果首次下载缓慢或受限,可以设置一个免费令牌以获得更快/更高速度的下载(完全可选):

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

安装

需要 uv(brew install uv,或该页面的一行安装程序)。没有其他要求——ffmpeg 已捆绑,模型自行下载。

一行命令,直接来自 GitHub:

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

然后将其注册到 Claude Code(voicecard 命令现在已在你的 PATH 中):

claude mcp add -s user voicecard -- voicecard

就这样。让你的代理执行 clone_voice 和 make_clip。

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

工具

工具

功能说明

list_voices()

列出已存储的声音,每个声音都配有 ref_text、ref_audio 和伴随的 avatar(或 null)。

palettes()

列出可用的调色板(名称 + 颜色)并渲染视觉色板(返回 {palettes, swatch});显示色板,让用户按视觉选择。

clone_voice(name, source, transcript?, photo?)

从音频或视频文件克隆。将参考修剪到约 12 秒并存储配置文件。transcript 是可选的——省略它时 VoiceCard 会自动转录参考(Whisper)。photo 是可选的伴随头像,复制到配置文件中,使声音和面孔一起传递。

speak(text, voice)

用克隆的声音生成语音;返回 wav 路径。

make_clip(text, voice, palette?, photo?, label?, aspect?, layout?, arc?, captions?)

生成语音并渲染可分享的波形 mp4。字幕(按交付时间弹出的气泡)默认开启;头像回退到声音存储的 photo。返回 mp4 路径。

调色板: Noir(默认)、70s Gold、Miami、Aurora、Sunset、Mint、Blueprint 宽高比: square(1080²,默认)、portrait(9:16) 布局: linear(默认——圆形照片 + 下方紧凑渐变波形,灵动岛风格)· circle(居中的音频响应频谱环) 弧线(仅 circle 布局):full(默认,镜像环)· top(上半部分尖峰)

配置(环境变量)

变量

默认值

VOICECARD_OUT

~/VoiceCard(配置文件 + 渲染的片段)

VOICECARD_MODEL

mlx-community/Qwen3-TTS-12Hz-1.7B-Base-bf16

VOICECARD_WHISPER

mlx-community/whisper-large-v3-turbo

VOICECARD_FFMPEG

覆盖 ffmpeg 二进制(否则使用系统 PATH,否则使用捆绑的)

VOICECARD_URL

打印在每个片段上的 QR 目标

VOICECARD_TAGLINE

打印在每个片段上的标语

测试

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
  • 快速(test_fast.py、test_mcp.py):调色板完整性、字幕对齐(输入单词、STT 时间)、参数验证和 MCP 协议表面。

  • 集成(test_integration.py,门控):克隆 → 说话 → make_clip 端到端,断言 mp4 具有音频+视频且时长非零。

  • 全新安装(scripts/virgin_install_test.sh):安装到一次性 venv 中,并验证导入、捆绑的 ffmpeg 回退(无 brew)、控制台脚本以及针对已安装包的无模型套件。

备注

  • 输出为立体声、+faststart、H.264 High profile——针对在消息应用中内联自动播放进行了调优。

  • 波形被风格化,始终看起来生动,而不是诊断频谱分析仪。

  • 自回归解码器的 Core ML / ANE 卸载不在计划中(动态形状 + KV 缓存 + 顺序解码不适合 ANE)。未来 Core ML 声码器卸载是唯一值得探索的部分。

路线图

无需 Whisper 的字幕(利用 Qwen 自身的对齐)。 Qwen3-TTS 以 12 Hz 运行,并通过其交叉注意力(单调的文本标记 → 音频帧脊)在内部已知单词时间。今天我们通过在输出上运行 Whisper 来恢复时间——稳健但需要整个第二个模型。相反,修补 mlx-audio 的解码以暴露目标区域的交叉注意力(前置剪切 ICL 参考),提取单调对齐,并将文本标记映射到单词。这将使 Whisper 脱离每个片段的熱路径:结合在克隆时传递 transcript,普通用户将永远不需要运行(或下载)Whisper。风险:mlx-audio 的内部解码不是稳定的 API,因此固定版本并添加漂移测试(Qwen 派生时间与 Whisper 在固定装置上的对比;如果发散则失败)。注意:没有音素可对齐——只有 BPE 文本标记 → 音频帧。

许可证

MIT。你只负责克隆你拥有或有权使用的声音。

Tool Schema Changelog

Recent tool additions, removals, and schema changes observed during successful MCP inspections.

Loading tool schema changelog…

    Related MCP Connectors

    Related MCP Servers

    • A
      license
      Not graded
      quality
      B
      maintenance
      Enables AI agents to access local voice synthesis, zero-shot cloning, and voice catalog tools through native MCP tool calls for applications like Claude and Cursor.
      AGPL 3.0
    • A
      license
      Not graded
      quality
      A
      maintenance
      Enables MCP-compatible clients to generate images and videos, synthesize text-to-speech audio, and clone or design custom voices. It also supports flexible output handling (URLs or local files) and multiple transport modes including stdio, REST, and SSE.
      468 npm
      MIT
    • A
      license
      Not graded
      quality
      A
      maintenance
      Enables MCP-compatible clients such as Claude Desktop and Cursor to generate images and videos, synthesize speech, clone voices, and design custom voices from descriptive prompts. It supports stdio, REST, and SSE transport modes with configurable API hosts, keys, and local or URL-based resource output.
      468 npm
      MIT