내 목소리로 AI 에이전트와 대화하고, 모든 앱에 음성으로 타이핑하는 로컬 스튜디오
키보드 대신 마이크를 잡고 말하면, 그 말이 바로 텍스트로 변환되어 원하는 곳에 붙여넣기 됩니다. Voicebox는 음성 인식과 합성을 하나의 앱으로 묶어, 내 컴퓨터 안에서 모든 처리를 끝내게 합니다. 클라우드에 의존하지 않고 내 목소리를 복제하거나, AI 에이전트가 내 목소리로 답하는 경험을 할 수 있습니다.
클라우드 없이 돌아가는 음성 입출력
Voicebox는 ElevenLabs나 WisprFlow 같은 클라우드 서비스의 대안으로, 음성 합성과 인식을 모두 로컬에서 처리합니다. 모델과 음성 데이터, 녹음 파일은 절대 내 기기를 떠나지 않아 프라이버시를 유지합니다. 앱은 Tauri(Rust)로 만들어져 Electron보다 가볍고, macOS의 MLX나 Windows의 CUDA 등 각 플랫폼의 GPU를 활용합니다. 덕분에 빠른 처리 속도를 내면서도 외부 서버에 연결할 필요가 없습니다.
여덟 가지 엔진으로 고르는 목소리
Qwen3-TTS, Chatterbox, Kokoro 등 8개의 TTS 엔진을 제공하며, 생성할 때마다 엔진을 바꿀 수 있습니다. 몇 초 분량의 오디오만 있으면 제로샷 클로닝으로 목소리를 복제하거나, 50개 이상의 프리셋 목소리를 사용할 수 있습니다. 23개 언어를 지원하며, Chatterbox Turbo를 쓰면 [laugh]나 [sigh] 같은 태그로 감정을 표현할 수 있습니다. Qwen VoiceDesign은 텍스트 설명만으로 새로운 목소리를 만들어 내는 기능도 포함합니다.
에이전트에게 내 목소리를 입히기
MCP(Model Context Protocol)를 지원하는 AI 에이전트가 내 목소리로 말을 걸 수 있습니다. voicebox_speak 도구 호출 하나면 Claude Code나 Cursor 같은 에이전트가 작업 완료 알림이나 질문을 내 클론된 목소리로 전달합니다. 각 에이전트에 특정 목소리를 지정해 두면, 누가 말하는지 바로 알 수 있습니다. 또한 로컬 LLM을 활용해 목소리에 페르소나를 부여하고, 에이전트가 그 페르소나에 맞춰 답변을 재작성하게 할 수도 있습니다.
설치와 요구 사항
macOS(Apple Silicon/Intel), Windows, Docker로 배포되며, Linux는 소스에서 빌드해야 합니다. macOS에서는 Accessibility 권한이 필요하며, Windows와 Linux는 GPU 가속을 위해 CUDA나 ROCm 환경이 유리합니다. 개발을 위해 클론하려면 Python 3.12, Rust, Bun, Tauri Prerequisites가 필요합니다. just setup 명령으로 환경을 설정하고 just dev로 실행할 수 있습니다. MIT 라이선스로 공개되어 있어 자유롭게 사용할 수 있습니다.
로컬 환경의 한계와 확인 사항
모든 처리가 로컬에서 일어나므로, GPU 성능이 낮으면 처리 속도가 느려질 수 있습니다. Linux에서는 아직 자동 붙여넣기 기능이 제공되지 않으며, Windows와 Linux의 자동 붙여넣기는 로드맵에 올라 있습니다. 모델 다운로드와 GPU 설정에 문제가 생길 수 있으므로, 트러블슈팅 가이드를 미리 확인하는 것이 좋습니다. 클라우드 서비스와 달리 인터넷 연결 없이도 작동하지만, 초기 모델 다운로드에는 네트워크가 필요합니다.
