做音频的人常遇到一个尴尬:画面剪好了,配音还没着落。找真人录,贵且慢;用合成音,又常被听出来是机器。Voxis 想解决的正是这一步——把普通文字转成听起来自然、有表达力的语音。

打开网易新闻 查看精彩图片

它把自己定位成一个 AI 驱动的文本转语音平台,把语音生成和一套可调参数的控制面板放在一起,让音频制作这件事的门槛往下压。

它到底能做什么

按平台给出的功能清单,核心能力集中在几块:

  • AI 文本转语音:把写好的内容转成自然语音;
  • 声音克隆与自定义音色:支持个性化音色体验和音色管理;
  • 细粒度语音控制:可调 Temperature、Top P、Top K、Repetition Penalty 等参数;
  • 交互式音频波形:用 WaveSurfer.js 驱动的波形播放器试听生成结果;
  • 云存储集成:生成的音频文件通过 Cloudflare R2 存储与读取;
  • 现代仪表盘:在一个响应式后台里管理音频、音色和使用统计。

那份参数清单值得多看一眼。Temperature、Top P、Top K、Repetition Penalty 这些名字,平时更多出现在文本生成的调参界面里,如今被搬到了语音生成的控制台上。平台的说法是,这些控制项让生成语音拥有更大的灵活度。

技术栈摊开来看

Voxis 的构建方式是一套相当典型的现代 Web 组合:

  • Next.js 与 React 19 承担前端架构;
  • TypeScript 负责类型安全开发;
  • Tailwind CSS 与 Shadcn UI 撑起界面;
  • tRPC 处理 API 通信;
  • PostgreSQL 与 Prisma 管理数据库;
  • Clerk 负责认证与用户管理;
  • Cloudflare R2 存放音频;
  • Chatterbox Turbo TTS 作为语音生成引擎。

前端、鉴权、数据库、对象存储、语音引擎,各环节各归其位。对开发者来说,这套栈不算陌生,拼在一起指向的是一件事:把语音生成塞进一个能日常使用的产品外壳里。

它想服务谁

平台列出的目标用户覆盖了几类人:需要 AI 配音的 YouTube 创作者、制作音频内容的播客创作者、做学习材料的教育工作者、集成 AI 语音技术的开发者,以及探索自动化语音方案的企业。

这些场景的共同点是,都需要把成段的文字变成能直接用的声音,而制作方往往没有整套录音棚。

团队对做这件事的动机说得很直白:目标是简化 AI 语音生成,认为制作逼真音频不该依赖复杂的工作流或昂贵的制作配置。把现代 Web 开发和 AI 语音技术放在一起,是为了让语音生成更容易上手、更容易定制。

文字变成声音,中间那堆麻烦事,他们想替你收走。