Masterclass in 4 parti su voicebox, lo studio vocale AI local-first: architettura ed engine, installazione su Proxmox con GPU passthrough, voice cloning e TTS in pratica, e integrazione MCP con gli agenti AI.
4 articoli
voicebox è uno studio vocale AI open source che gira tutto in locale: clona voci, genera speech in oltre venti lingue e dà voce agli agenti AI, senza che un byte audio lasci il tuo dispositivo. L'alternativa self-hosted a ElevenLabs e Wispr Flow.
Su un nodo Proxmox con RTX 2070 Super, voicebox si installa in un container LXC con il bind dei device NVIDIA: niente VM, niente VFIO, niente reboot. Le due trappole — userspace e Python 3.13 — e i benchmark VRAM reali sulla 2070.
Il voice cloning zero-shot di voicebox azzecca il timbro inglese su clip brevi ma non rende l'italiano con la tua voce: la pipeline edge-tts→RVC è la strada che funziona davvero. Cloning, TTS multilingua e dettatura alla prova.
voicebox espone un server MCP nativo: con un comando colleghi Claude Code e l'agente parla con una voce che possiedi, tutto in locale. I 4 tool, le voci per-agente e il verdetto finale della serie.
