VoiceStudioV2: смена голоса в реальном времени и локальный API OpenAI

⚡ Главное за 5 секунд

• VoiceStudioV2 приносит смену голоса в реальном времени, TTS, клонирование и дубляж на локальное железо.
• Локальный HTTP-сервер говорит на языке OpenAI audio API: имена tts-1 и alloy подставляют ваши движки и голоса.
• Установщик в таблице загрузки заявлен только под Windows x64, сборка может быть неподписанной — SmartScreen покажет предупреждение.

🔍 Что случилось

На GitHub выложили репозиторий EntranceStarfish/VoiceStudioV2 — неофициальный форк проекта debpalash/VoiceStudio. Автор форка прямо пишет: с оригинальными разработчиками он не связан и их одобрения не имеет. В README заявлено «100% local, no cloud, no API keys»: обработка голоса идёт на вашей машине, подписки и оплаты за символы нет. В репозитории на момент публикации видно три коммита и два файла — README.md и LICENSE.

Механика такая. Приложение ставится как десктоп-клиент, движки и модели выбираются в Model Catalogue, а первый запуск скачивает выбранную модель. Real-time voice — отдельное рабочее пространство: выбираете микрофон и устройство вывода, жмёте Start и говорите. Чтобы Discord, OBS или игра услышали вас «новым» голосом, вывод надо завернуть в виртуальный аудиокабель (в README указан VB-CABLE под Windows) и выбрать кабель микрофоном в целевом приложении. Локальный сервер включается в Settings → API: клиент с custom base URL шлёт запросы с именами вроде tts-1 и alloy, а VoiceStudioV2 подменяет их своими движками и клонированными голосами. Из апстрима приехали клонирование и дизайн голоса, мультиязычная мастерская дубляжа, диктовка и транскрибация, интеграции через MCP и телефония.

🧠 Наш разбор

Интерес здесь не в «ещё одном TTS», а в формате API. Наша оценка: OpenAI-совместимый эндпоинт — самый дешёвый способ встроиться в чужую экосистему. SillyTavern, Open WebUI, n8n и десятки ботов уже умеют менять base URL, и им не нужно писать новый коннектор. Совместимость с tts-1 и alloy — это не про качество, а про то, чтобы подмена прошла незаметно для кода клиента.

Что это меняет для кошелька: облачный TTS обычно тарифицируется за символ, локальный — за электричество и ваше терпение к настройке. Для стримера, который говорит часами, разница ощутима. Для человека, которому нужен один абзац озвучки раз в месяц, — вряд ли: возни с драйверами и моделями больше, чем экономии. Мы считаем, что порог входа тут недооценивают: мало поставить exe, надо разобраться с виртуальным кабелем и подобрать лёгкую модель, иначе задержка убьёт весь смысл real-time.

Кто проигрывает — сервисы клонирования голоса с подпиской. Кто выигрывает — инфраструктура вокруг локального аудио и, к сожалению, те, кому нужен чужой голос без следов в облаке. Последнее — главный риск всей категории, и никакой README его не снимает.

⚠️ Чего мы не знаем

Главное слабое место — сам репозиторий: в листинге файлов только README и LICENSE, коммитов три, исходников не видно. Куда ведёт кнопка скачивания exe и что внутри бинарника, по README проверить нельзя. Цифр по задержке, качеству клонирования и требованиям к GPU в тексте нет — раздел системных требований обрывается. Заявление «100% offline» тоже стоит читать аккуратно: первый запуск скачивает модель, то есть сеть на этапе установки всё же нужна. И помните, что установщик может быть без подписи.