ResearchMan← Technology
Soundbox
Tool条件付き (MIT)#Audio/Music#CreatorTools#AI/Agents

Soundbox

HamSanders(個人開発)/2026-10

Overview

効果音・音楽・音声合成・ボイスクローンを、すべて自分のPC上で動かせるデスクトップアプリ。ElevenLabsやSucoの代わりに使えるオープンソースを目指している。マルチトラックのタイムラインと、AIエージェント向けのMCPサーバーも付く。

技術のポイント

すごい点は、効果音づくり・曲づくり・ナレーション生成・声の複製・ミックスまでを、1本のアプリでクラウドに送らず自分のPC内で済ませられることです。ElevenLabsやSunoのような月額サービスだと、クライアント案件の素材を外部に送ることになります。Soundboxなら音声データも歌詞も社外に出ません。広告や体験づくりでは、映像の尺に合わせた効果音を文章で出し、BGMは同じプロンプトで3種類のモデルから聞き比べ、仮ナレーションは社内の声で作る、といった使い方ができます。プレゼン用のモックや動画コンテの音を、その場で何パターンも作れます。ClaudeCodeなどのAIエージェントから操作する窓口(MCP)も用意されているので、「この動画に合う効果音を10個作って」と頼む自動化も組めます。ただし公開から約10日の初版(v0.1.0)なので、品質や安定性は自分で試して確かめる必要があります。

技術の詳細

仕組みは、アプリ内部で「audio.cpp」という音声AI専用の実行エンジンを動かし、複数のAIモデルを切り替えて使う形です。標準で有効なのは、効果音用のStable Audio 3.0 SFX、インストゥルメンタル用のStable Audio 3.0 Small Music、歌詞つきの曲を作るACE-Step 1.5 Turbo、同じく歌もの用のMiniMax Music 3の4つです。このほかカタログに61モデルがあり、音声合成が45、音楽が6、効果音が2、音の分離が4、声の変換が4という内訳です。曲の延長・カバー・一部の作り直し・パートごとの分離もできます。作った音はPC内のSQLiteとWAVファイルに保存され、プロンプトや乱数の設定も一緒に記録されます。 従来は、効果音はElevenLabs、曲はSunoというようにサービスを使い分け、どれも課金とクラウド送信が前提でした。ローカルで動く音声AIは単体のPythonスクリプトが多く、環境構築が重いのが難点でした。Soundboxはインストーラー形式で、Pythonなしで動き、タイムライン、MIDIのピアノロール、録音、エフェクトまで一画面に入っています。同じ文章を3つのモデルに入れて聞き比べる画面もあります。 使うにはWindows 10/11かmacOS(Apple siliconとIntel)が必要です。CUDA・HIP・Metal・Vulkanに対応し、GPUなしのCPUでも動きますが遅くなります。MiniMax Music 3は約10GBのVRAMを使います。アプリは無料で、モデルは初回に各配布元からダウンロードします。ソースから動かす場合はNode 22.12以上が要ります。インストーラーは署名なしなので、初回はWindowsでSmartScreenの警告を許可する操作が必要です。Docker版は認証がないため、ローカルホスト以外に公開しないようREADMEが注意しています。商用で使う前に、各モデルのライセンスを確認してください。

License

アプリ本体はMIT。ただしGitHub APIのライセンス判定はNOASSERTION。モデル重みは別ライセンスで、Stable Audio 3.0は売上100万ドル未満なら商用可、MiniMax Music 3はコミュニティライセンス、ACE-Step 1.5はMIT。重みはアプリが各配布元から取得し、再配布はしない。

Sources

Related Works

  • HOT-Step CPP

    ACE-Step 1.5、MiniMax-Music3、YuE2、Stable Audio 3を切り替えられるローカル音楽生成アプリ。

  • YuE2 Studio

    楽譜(ABC記法)を編集してから歌入りの曲を生成する、Windows向けデスクトップアプリ。

  • audio.cpp

    TTS・音声変換・音楽生成のモデルを動かすC++製の推論エンジン。Soundboxが内部で使っている。