VoiceStudio 2026 — paikallinen vaihtoehto, joka puhuu suomea

VoiceStudio on avoimen lähdekoodin työpöytäsovellus, joka tekee samat asiat kuin ElevenLabs — äänen kloonauksen, uuden äänen suunnittelun ja videon dubbauksen — mutta omalla koneella ilman kuukausimaksua. Testasin sen suomen kielen, mittasin laadun ja luin lähdekoodin läpi ennen kuin suosittelen sitä kenellekään. Tässä artikkelissa kerron, mitä se tekee, mitä se vaatii ja missä sen rajat tulevat vastaan.

Mikä VoiceStudio on?

VoiceStudio on local-first-työpöytäsovellus, eli kaikki ajo tapahtuu omalla koneella omalla näytönohjaimella. Sovellus on rakennettu Electron-kehyksellä ja Python-tausta hoitaa ääniputken. Se ei ole yksi malli, vaan käyttöliittymä usean avoimen mallin päälle: oletusmoottorina on OmniVoice, ja sen rinnalta löytyvät muun muassa CosyVoice 3, VoxCPM2, MOSS-TTS-Nano, KittenTTS ja MLX-Audio.

Projektin GitHub-sivu näyttää 27.9.2026 mittarilukemat 38 447 tähteä ja 4 565 forkkia. Ensimmäinen versio julkaistiin huhtikuussa 2026, ja uusin versio v0.5.6 ilmestyi 23.9.2026. Avoimia bugeja on neljätoista, eli sovellus on aktiivisessa kehityksessä ja sitä päivitetään käytännössä päivittäin. Sovellus toimii Windowsilla, macOS:llä ja Linuxilla, ja sen oma verkkosivu on voicestudio.sh.

Mitä sillä voi tehdä

Sovellus kattaa äänityön ketjun näytteestä valmiiseen tiedostoon. Alla on ominaisuudet siltä tasolta, jolla ne näkyvät käyttöliittymässä — eivät markkinointilistana, vaan työvaiheina.

Ominaisuus	Mitä se tekee käytännössä
Äänen kloonaus	Lyhyt näyte riittää; sovellus lupaa, että yksi otos on yleensä tarpeeksi
Äänen suunnittelu	Uusi ääni pelkästä lauseesta: sukupuoli, ikä, aksentti ja äänensävy valitaan itse
Videon dubbaus	Litterointi, käännös ja uudelleenpuhunta, jossa puhujat ja ajoitus pysyvät kohdallaan
Litterointi ja sanelu	Puheesta tekstiksi, oletuksena WhisperX
Puhujien erottelu	Eri puhujat erotetaan samasta nauhoituksesta omiksi raidoikseen
Vokaalien eristys	Laulusta tai puheesta eristetään pelkkä laulu tai pelkkä puhe
Äänikirjatuotanto	Pitkä teksti jaetaan lukuihin ja luetaan valitulla äänellä
Eräajo	Useampi tiedosto jonoon yhdellä kertaa
Paikallinen API ja MCP-palvelin	Muut ohjelmat ja tekoälyagentit voivat kutsua sovellusta suoraan
Vesileima	Generoitu ääni merkitään valmistajan mukaan tunnistettavaksi

Dubbausnäkymä on sovelluksen vahvin osa. Segmentit ovat rivittäin muokattavissa, jokaiselle riville voi valita oman äänen ja voimakkuuden, ja ajoitukselle on neljä tilaa: tiivis, älykäs sovitus, videon venytys tai tarkka aikaväli. Yhden rivin voi generoida uudelleen koskematta muuhun, mikä säästää aikaa pitkässä videossa.

Suomen kieli ja mitattu laatu

Sovelluksen oma kielitiedosto listaa 646 kieltä ja 581 000 tuntia puhedataa. Suomi on listalla sijalla 178 tunnilla 468,62 — se on oikea määrä, ei markkinointiluku. Kannattaa silti tietää, että sama lista sisältää myös kieliä, joissa dataa on alle tunnin, joten pelkkä kielten lukumäärä ei kerro laatua. Suomen kohdalla kyse on lähes 470 tunnista, mikä riittää hyvään lopputulokseen.

En tyytynyt tähän, vaan mittasin laadun. Ajoin kaksi suomenkielistä näytettä OmniVoicen julkisen demoympäristön kautta käyttäen äänen suunnittelun polkua ja kielivalintaa Finnish. Sen jälkeen litteroin näytteet takaisin tekstiksi Whisper large-v3 -mallilla ja laskin virheprosentin sana sanalta.

Näyte	Pituus	Sanoja	Litterointivirheet	Virheprosentti
Näyte 1	9,2 s	18	0	0,0 %
Näyte 2	18,29 s	26	0	0,0 %

Molemmat näytteet menivät läpi virheettä. Signaalista mitattuna ääni on 24 kHz mono, voimakkuus normaalilla puhetasolla ja huippuarvo 13 968 kahdesta 32 767:stä eli ääni ei leikkaa missään kohdassa. Hiljaisia jaksoja ei ollut, joten kyse on yhtenäisestä puheesta eikä kohinasta.

Kuuntele itse. Alla on jälkimmäinen näyte, 18 sekuntia suomea:

Rehellinen raja tähän: ajoin testit demoympäristön ilmaisella näytönohjaimella, en paikallisella kortilla, joten laatu on sama mutta nopeus ei ole vertailukelpoinen. Kaksi näytettä ei myöskään kerro, miltä pitkän tekstin rytmi ja tauotus kuulostavat. Ne selviävät vasta, kun sovelluksen ajaa omalla koneella pidemmällä tekstillä.

Turvatarkistus: mitä koodista löytyi

Kloonasin koko lähdekoodin ja skannasin sen läpi ennen testaamista, koska asennettava ohjelma saa ajaa koneella mitä tahansa. Tarkistus kattoi 3 075 tiedostoa.

Löydökset: yhtään valmista binääritiedostoa ei ole mukana repossa, yhtään kovakoodattua API-avainta ei löytynyt, eikä koodissa ole yhtään komentotulkin kautta ajettavaa ulkoista komentoa tuotantopoluissa. Verkkoyhteydet menevät GitHubiin, Hugging Faceen, PyTorchin jakeluun sekä valinnaisiin käännös- ja puhelinpalveluihin. Analytiikka on olemassa, mutta se on suostumusportin takana ja automaattinen tapahtumien keruu on kytketty pois päältä.

Asennusskripti on kirjoitettu paremmin kuin useimmat: se pakottaa HTTPS-yhteyden myös uudelleenohjauksissa, lataa julkaistun tarkistussumman ja kieltäytyy asentamasta, jos summa puuttuu tai ei täsmää. Se ei pyydä pääkäyttäjän oikeuksia eikä aja muita komentosarjoja putkessa.

Tämän tarkistuksen raja on syytä sanoa suoraan: kyse on staattisesta kuviohausta ja asennusskriptin lukemisesta, ei täydellisestä tietoturva-auditoinnista. Projekti päivittyy päivittäin, joten sama tarkistus kannattaa tehdä uudelleen ennen suurempia päätöksiä.

Mitä se vaatii koneelta

Raskain yksittäinen luku on näytönohjaimen muisti. OmniVoice on ainoa moottori, jolle valmistaja on ilmoittanut mitatun lattiatason: 6 GB. Sitä pienemmillä korteilla, esimerkiksi 4 GB:n muistilla, ajuri alkaa siirtää mallia keskusmuistiin ja nopeus romahtaa. Kevyemmille koneille on olemassa GGUF-muunnos, joka on tarkoitettu pienemmälle muistille.

Ympäristö	Tilanne
Windows ja NVIDIA	Tuettu; näytönohjaimen kiihdytys toimii vain NVIDIA/CUDA-yhdistelmällä
Windows ja AMD tai Intel	Näytönohjaimen kiihdytystä ei ole; ajo tapahtuu prosessorilla
macOS	Tuettu, Apple Siliconilla lisäksi MLX-kiihdytys
Linux x86	Tuettu yhden komennon asennusskriptillä
Linux arm64	Ei tuettu; asentaja ilmoittaa asiasta ja keskeyttää
Prosessori ainoana vaihtoehtona	Kevyet mallit (KittenTTS, MOSS-TTS-Nano) pyörivät reaaliajassa, mutta ne ovat englanninkielisiä

Käytännössä 8 GB:n näytönohjain riittää aloittamiseen, 16 GB:llä voi ajaa raskaampia moottoreita ja useampaa työtä rinnakkain. Keskusmuistia kannattaa olla vähintään 16 GB, koska mallien lataus ja välimuistit vievät tilaa myös sieltä.

Lisenssit: tämä pitää selvittää ennen kaupallista käyttöä

Sovellus itse on AGPL-3.0-lisenssillä. Se tarkoittaa, että omaan käyttöön tuotettu äänitiedosto ei sinänsä peri lisenssiä, mutta jos samaa moottoria tarjotaan verkon yli palveluna muille, lähdekoodin julkaisuvelvoite aktivoituu.

Suurempi kysymys on mallien lisenssit. Jokaisella moottorilla on oma lisenssinsä, ja esimerkiksi oletusmoottorin OmniVoice-mallikortissa ei ole lainkaan lisenssikenttää. Se tarkoittaa, että kaupallisen käytön ehdot ovat avoimia. Jos aiot käyttää ääntä asiakastyössä tai tuotemyynnissä, selvitä lisenssi mallin tekijältä ennen kuin rakennat sen varaan. Tämä ei ole juristin lausunto, vaan huomio, joka kannattaa ottaa vakavasti.

Vertailu: VoiceStudio, ElevenLabs ja Tencent AuK

Vaihtoehto	Missä ajetaan	Suomi	Hinta	Lisenssi
VoiceStudio	Omalla koneella	468,62 h dataa, mitattu virheprosentti 0,0 %	Ilmainen	AGPL-3.0, mallit erikseen
ElevenLabs	Pilvessä	Kyllä	Ilmainen taso 10 000 krediittiä / kk; Creator 22 $ / kk (121 000 krediittiä)	Suljettu
Tencent AuK	Omalla koneella	Ei, käytännössä kiina ja englanti	Ilmainen	MIT myös painoille

ElevenLabsin hinnat ovat palvelun omia dollarilukuja (tarkistettu 27.9.2026). Sen etu on, ettei mitään asenneta eikä omaa rautaa tarvita, ja laatu on kauttaaltaan kaupallinen. VoiceStudion etu on, että ääni ei poistu koneelta, käyttö ei lopu kesken kuun eikä krediittejä tarvitse laskea.

Tencentin AuK on teknisesti kiinnostava: lisenssi on MIT myös mallin painoille, mikä on puhemalleissa harvinaista. Sitä voi myös editoida valmista ääntä sanan tarkkuudella ja poistaa aksentin. Suomen kieltä siinä ei käytännössä ole, joten se ei korvaa ElevenLabsia suomenkielisessä voiceoverissa, ja näytönohjaimen muistivaatimus on noin 25 GB tai 16,8 GB keskusmuistiin siirrettynä.

Kenelle tämä sopii ja kenelle ei

Sopii sinulle, jos haluat tuottaa ääntä ilman kuukausimaksua ja ilman että teksti tai ääni lähtee omalta koneelta, sinulla on NVIDIA-näytönohjain ja vähintään 8 GB näyttömuistia, ja olet valmis käyttämään puoli tuntia asennukseen ja mallien lataamiseen.

Ei sovi, jos tarvitset valmista kaupallista lisenssiä heti tai haluat täysin valmiin tuotteen vailla teknisiä kysymyksiä. Ei myöskään silloin, jos koneessa on AMD- tai Intel-näytönohjain ja tavoitteena on nopea eräajo. Ja jos käsittelet asiakkaiden ääntä, AGPL- ja mallilisenssit on selvitettävä ensin.

Usein kysytyt kysymykset

Onko VoiceStudio ilmainen?

Sovellus on ilmainen ja avoimen lähdekoodin. Rahaa kuluu vain sähköön ja koneen rautaan, koska ajo tapahtuu omalla laitteella. Erillisiä krediittejä tai kuukausimaksua ei ole.

Toimiiko suomen kieli oikeasti?

Toimii. Suomenkielistä puhedataa on 468,62 tuntia, ja omassa testissäni molemmat näytteet litteroituivat takaisin tekstiksi ilman yhtään virhettä 18 ja 26 sanan mittaisissa lauseissa.

Voinko kloonata oman ääneni?

Voit. Sovellus tarvitsee lyhyen näytteen, ja valmistajan mukaan yksi otos riittää yleensä. Kloonaus tapahtuu omalla koneella, joten näyte ei siirry palvelimelle.

Millaisen koneen se vaatii?

Käytännön lattiataso on 6 GB näytönohjaimen muistia oletusmoottorille, ja 8 GB on mukava aloitus. Windowsilla kiihdytys toimii vain NVIDIA-näytönohjaimilla. Keskusmuistia kannattaa olla 16 GB.

Korvaako tämä ElevenLabsin?

Suomenkielisessä työssä kyllä, jos olet valmis asentamaan ja ylläpitämään omaa asennusta. Pilvipalvelun etu on vaivattomuus ja se, ettei omaa rautaa tarvita. Jos lisenssitilanne on ratkaiseva, tarkista mallien ehdot ennen päätöstä.

Onko sovelluksessa haittaohjelmia?

Käymässäni tarkistuksessa ei löytynyt haitallista koodia: ei valmiita binäärejä, ei piilotettuja avaimia, ei komentotulkin kautta ajettavia ulkoisia komentoja. Analytiikka on suostumusportin takana ja asennusskripti tarkistaa tiedoston tarkistussumman. Tarkistus oli staattinen kuviohaku, ei täydellinen auditointi.

Lähteet ja tarkistuspäivä

Tekniset luvut on luettu 27.9.2026 projektin GitHub-sivulta, kielitiedostosta docs/languages.md, OmniVoicen mallikortista Hugging Facessa sekä ElevenLabsin hintasivulta. Laatumittaukset ajoin itse OmniVoicen julkisessa demoympäristössä ja litteroinnit Whisper large-v3 -mallilla. Kuvakaappaukset ovat projektin omia kuvia sen GitHub-reposta.

Jos haluat lukea lisää avoimista malleista ja niiden käytöstä, katso myös artikkelit avoimen lähdekoodin tekoälymallit 2026, ilmainen tekoäly suomeksi, tekoälyn videogeneraattorit 2026 ja AI-työkalut aloittavalle yrittäjälle.