Der erste Teil der Voicebox-Serie richtet die kostenlose lokale App ein, die Voice Cloning, Text-to-Speech und Diktat ohne Abo und ohne Cloud-Upload verspricht.
Voicebox versucht zwei Dinge zu bündeln, für die Creator oft getrennt zahlen: Stimmerzeugung wie bei ElevenLabs und Diktat wie bei Wispr Flow. Part 1 ist die Grundlage: Was die App ist, wie du sie installierst und welche Modelle du zuerst laden solltest.
Der spannende Punkt ist die Kombination aus Datenschutz und Kosten. Voicebox läuft lokal, ist Open Source und braucht kein Monatsabo. Deine Sprachsamples und generierten Audios bleiben auf deinem Rechner, was gerade bei Stimm-Daten ein echter Unterschied ist.
Ganz reibungslos ist der Einstieg nicht. Auf dem Mac gibt es ein Updater-Problem, eine Gatekeeper-Warnung und Modellentscheidungen, die Einsteiger verwirren können. Das Video geht diese Fallen durch, damit Part 2 und Part 3 auf einem funktionierenden Setup aufbauen.
| Komponente | Was es ist | Warum es zählt |
|---|---|---|
| Voicebox | Lokale, quelloffene App, zum Testzeitpunkt Version 0.5 | Will ElevenLabs und Wispr Flow auf einmal ersetzen, ohne Monatsabo. |
| Qwen TTS | Das Standard-Sprachmodell der App | Die bessere Grundlage. Lade dieses zuerst, wenn du den Speicher hast. |
| Chatterbox Multilingual | Zweites TTS-Modell, parallel zu Qwen installiert | Gibt dir feine Kontrolle über Emotion und Ausdruck, die Qwen nicht bietet. |
| Whisper Turbo | Transkriptionsmodell hinter dem Captures-Tab | Treibt Diktat und Audio-Import auf der Transkriptionsseite an. |
| Generate und Stories | Die Tabs, in denen deine Stimmen liegen und längere Stücke entstehen | Alles darin ist ein Klon aus deiner eigenen Stimme oder einer Sprachprobe. |
| Captures | Diktat per globalem Hotkey überall auf dem Mac, dazu Datei-Import | Genau der Teil, der mit einem bezahlten Diktat-Abo konkurriert. |
| Kosten | Kostenlos und lokal | Deine Sprachproben und erzeugten Audios verlassen den Rechner nie. |
Ja. Voicebox ist kostenlos, Open Source und läuft auf deinem eigenen Rechner. Du brauchst kein Abo und musst deine Stimmproben nicht zwingend in eine Cloud hochladen.
Genau das testet die Serie. Part 1 baut die Grundlage. Part 2 vergleicht den lokalen Klon direkt mit einem ElevenLabs-Klon.
Du brauchst die passende Version für dein System und genug Speicherplatz für die Modelle. Apple-Silicon-Macs laufen am schnellsten, aber es gibt auch Builds für Intel-Macs und Windows.
Das Video startet mit pragmatischen Defaults: ein größeres Qwen-Modell für Qualität, wenn dein Rechner es schafft, und kleinere Fallbacks für langsamere Systeme.
Zusammenfassung aller Kapitel. Die Zeitmarken springen direkt an die passende Stelle im Video. Die deutsche Volltranskript-Fassung folgt, sobald die deutsche Untertitelspur bereinigt ist.
Voicebox wird als kostenlose lokale Alternative zu mehreren bezahlten Tools positioniert. Der Anspruch: Stimme klonen und diktieren, ohne ElevenLabs- oder Wispr-Flow-Abo und ohne die eigenen Audiodaten auf fremde Server zu laden.
Das Video erklärt Voicebox als freie Open-Source-App, die Text-to-Speech, Voice Cloning und Diktat zusammenbringt. Entscheidend ist nicht nur kostenlos, sondern lokal: Die Daten bleiben auf dem eigenen Rechner.
Lukas zeigt Downloadseite, GitHub-Repository und Dokumentation. Das hilft einzuordnen, ob das Projekt seriös genug wirkt, wie aktiv es ist und wo man die passende Version für Mac oder Windows findet.
Der Installationsdurchlauf zeigt typische Stolperstellen: den In-App-Updater, macOS Gatekeeper und die Frage, wie man die App trotzdem sauber öffnet. Genau diese kleinen Hürden entscheiden oft, ob ein Tool für Nicht-Entwickler nutzbar ist.
Nach der Installation geht es in die Modellverwaltung. Voicebox braucht lokale Modelle, bevor es sinnvoll arbeiten kann. Der Tab zeigt, was vorhanden ist, was fehlt und welche Downloads für Stimme und Transkription relevant sind.
Das Video erklärt die praktische Modellwahl: größere Modelle klingen meist besser, brauchen aber mehr Speicher und Leistung. Kleinere Modelle sind Fallbacks für schwächere Maschinen.
Chatterbox Multilingual ist für mehrere Sprachen interessant, Chatterbox Turbo ist schneller, aber stärker auf Englisch beschränkt. Zusätzlich werden Transkriptionsmodelle vorbereitet, damit Part 3 später Diktat testen kann.
Die Generate-Ansicht ist für direkte Spracherzeugung gedacht. Stories ist eher eine längere Produktionsfläche, wirkt in diesem frühen Test aber noch nicht wie der stärkste Teil der App.
Der Captures-Tab ist die Grundlage für lokale Transkription und Diktat. In Part 1 wird er nur vorbereitet, die eigentliche Prüfung folgt in Part 3.
Zum Schluss ordnet Lukas die restlichen Bereiche der App ein und bereitet die nächsten Teile vor: Part 2 testet Voice Cloning gegen ElevenLabs, Part 3 die Diktat- und Transkriptionsfunktion.
Ich arbeite 1:1 mit Selbstständigen, Beratern, Coaches und kleinen Teams an praktischen KI-Workflows für Content, Automatisierung und Alltag.
Kostenloses Erstgespräch buchen