voicebox調査メモ — RTX 3070（8GB）でローカルAIボイススタジオは動くか

結論

• voiceboxはRTX 3070（VRAM 8GB）で動く。主要エンジンは最大でも1.7Bパラメータ（VRAM約3.4〜4.2GB）で、音声入力用のWhisperを同時に載せても8GBに収まる
• Windows用MSIインストーラーに「CUDA版」と「any GPU（DirectML）版」があり、RTX 3070ならCUDA版を選ぶ。初回起動時にCUDAライブラリ約4GBを追加ダウンロードする
• 日本語でボイスクローンしたい場合、対応エンジンは実質Qwen3-TTS一択。このモデルは2026年1月に手動セットアップで検証済みで、voiceboxはその作業をGUIアプリに置き換えるものと位置づけられる
• 日本語圏の実機レビューは「無料・ローカルでこの精度なら十分」が多数派。不満（イントネーションの乱れ・生成速度）は中身のQwen3-TTS由来で、voicebox固有の価値はMCPサーバー内蔵によるエージェント連携にある

voiceboxとは

jamiepine/voiceboxは「The open-source AI voice studio」を掲げるローカル実行型の音声AIツール。ElevenLabs（音声生成）とWispr Flow（音声入力）が担っている機能を1つのデスクトップアプリに統合している。できることは3つある。

1. Voice Clone: 音声サンプルから声を複製する
2. Generate Speech: テキストから音声を生成する（TTS）
3. Dictate: 任意のアプリに音声入力する（STT。エンジンはOpenAI Whisper）

Tauri製のデスクトップアプリで、Windows / macOS / Linuxに対応する。クラウドAPIを使わずすべてローカルGPU（またはCPU）で推論する点がElevenLabsやFish Audioとの違いになる。

過去記事との関係

「以前voiceboxを調べたことがあるか」をリポジトリ全体（公開記事＋memo）から検索した結果、voicebox自体を扱った記事はなかった。ただし同ジャンルの記事が3本あり、記憶の混同はおそらくこれが原因だろう。

つまりvoiceboxは新規の技術ではなく、1月にコマンドラインで動かしたQwen3-TTSをインストーラー1発のGUIアプリとして包み直したものと捉えられる。

GPU要件の判断 — RTX 3070（8GB）で足りる

手元のGPUをnvidia-smiで確認すると、RTX 3070 / VRAM 8,192 MiB / ドライバ591.86だった。これに対してvoiceboxが同梱する主要エンジンのVRAM目安は次のとおり。

一般には「8GB以上推奨、3BクラスのTTSモデルは12GB以上」とされるが、voiceboxの同梱エンジンは最大でも1.7Bなので、8GBは推奨ラインの下限をちょうど満たす。Qwen3-TTS（約4GB）とWhisper large-v3（約3GB）を同時にロードしても計7GB程度で、8GBに収まる計算になる。

なおCPU実行も可能で、Kokoro 82MはモダンなCPUでリアルタイムに生成でき、LuxTTSはCPUで150倍速を超えると公式ドキュメントに記載がある。英語だけならGPUなしでも実用になる。

エージェントからの使いやすさ — MCPサーバーを内蔵

voiceboxはMCP（Model Context Protocol）サーバーを内蔵しており、Claude Code・Cursor・ClineなどのコーディングエージェントがローカルHTTP経由（http://127.0.0.1:17493/mcp）で直接呼び出せる。エージェント側に公開されるツールは4つ。

Claude Codeへの登録はコマンド1行で済む。

claude mcp add voicebox --transport http \
  --url http://127.0.0.1:17493/mcp \
  --header "X-Voicebox-Client-Id: claude-code"

「ビルドが終わったら自分のクローン声で知らせる」「エージェントが書いた原稿をそのままナレーション化する」といった連携を、追加開発なしで組めることになる。Qwen3-TTSを手で動かす構成にはないvoicebox固有の価値がここにあり、→ 秋霜堂のテックブログもMCP統合を「他のOSSには見られない差別化ポイント」と評している。

日本語圏の評判 — 品質の評価は実質Qwen3-TTSの評価

X（Twitter）の日本語ポストをGrok検索で集めた（2026年3月以降、宣伝系を除いて実機レビューを優先）。全体としては「無料・ローカルでこの精度なら十分」という好意的評価が多数派で、不満はイントネーションと生成速度に集中している。

ポジティブな評価:

• AIコンサル会社代表: 「声クローンのツール一通り試したけど、無料でこの精度はvoicebox一択だった」「数秒でここまで再現されるのは普通に怖い」（→ @fuji_ai_のポスト）
• 印刷会社SE: 「かなーーり似ていると思います！ただ、NVIDIAのGPUがなく、CPUだけで計算しているので、めっちゃくちゃ時間掛かります」（→ @jdash2000のポスト）
• 「ガチでナレーションいらないレベルです。問題は生成が遅いくらい？」（→ @tomotravel_pmのポスト）

ネガティブな評価・注意点:

• 「イントネーションが時々変になる事があるな」（→ @musicteach23のポスト）
• 実測レポート: アプリ600MB＋初回モデルDL約5GB（Qwen3-TTS 1.7B）。抑揚の制御機能はない（→ @nondemo_LowTのポスト）
• モデルDL中にアプリを閉じると起動不能になるバグ。AppData\Roaming\sh.voicebox の削除で復旧する（→ @dotBoTENのポスト）

押さえておきたいのは、品質への評価（似ている・イントネーションが変・CPUで遅い）はラッパーであるvoiceboxではなく、中身のQwen3-TTS 1.7Bに帰属する点だ。イントネーションの乱れはvoiceboxのアップデートでは直らず、Qwen側のモデル更新を待つことになる。voicebox固有の評価にあたるのは、バグ・UX・MCP連携への言及のほうになる。

なおGitHubスターは4.6万を超えており（2026-07-25時点）、海外の熱狂ぶりに比べると日本語圏は「実務系アカウントが試して概ね好評」という段階にある。→ AI Academy創業者・谷一徳氏のnote記事（品質評価部分は有料）など、解説記事も出始めている。

Windowsでのインストールと注意点

インストールはGitHubのリリースからMSIを落とすだけでよい。開発版を動かす場合はBun / Rust / Python 3.11+ / Tauriの前提環境が必要になるが、MSI利用なら不要だ。

注意点は2つある。

1. 初回起動時のダウンロードが大きい。アプリ本体とは別に、サーバーコア（200〜400MB）とCUDAライブラリ（約4GB）を追加ダウンロードする。回線とディスクに余裕を持って始める
2. 日本語対応エンジンはQwen3-TTSとKokoroのみ。LuxTTSとChatterbox Turboは英語専用なので、日本語のボイスクローン目的ならQwen3-TTSを使うことになる

出典

• → jamiepine/voicebox（GitHub）
• → voicebox公式ドキュメント: GPU acceleration
• → Starlog: Voicebox — The 7-Engine AI Voice Studio
• → Spheron: Qwen3-TTS 1.7B VRAM Requirements
• → voicebox MCPサーバー README
• → Star History: jamiepine/voicebox