Applio ist ein Open-Source-Toolkit für praktisch alles, was man mit einer Stimme machen kann. Im Kern steht VITS-basierte Stimmkonvertierung: Man übergibt eine Audiodatei und ein trainiertes Stimmmodell, und das Audio wird in dieser Stimme neu geschrieben – mit Reglern für Tonhöhe, Bereinigung, Upscaling und Stapelverarbeitung. Ein Echtzeitmodus erledigt dasselbe mit Mikrofoneingang bei so geringer Latenz, dass er für Gesang, Streaming und Anrufe taugt, und ein Text-to-Speech-Modul erlaubt es, ein Skript zu schreiben, eine Ausgangsstimme zu wählen und die erzeugte Sprache durch die eigenen Stimmodelle zu schicken.
Das Training der eigenen Stimme ist ein zentraler Workflow und kein Anhang. Man bereitet einen Datensatz aus Audioclips vor, führt Vorverarbeitung und Merkmalsextraktion aus und wählt automatisches oder manuelles Training, bevor ein wiederverwendbares Modell exportiert wird. Zu den Hilfswerkzeugen gehören ein Stimmen-Mixer, der mehrere Modelle zu einer neuen Stimme verschmilzt und den Beitrag jedes Modells steuert, sowie ein Audioanalysator, der die Audioqualität meldet, damit man den Datensatz prüfen kann, bevor man Stunden ins Training steckt.
Das Projekt wird als eigenständige Desktop-App und als klassische Gradio-Weboberfläche für Windows, macOS und Linux ausgeliefert. Alles läuft auf dem eigenen Rechner, was für den Datenschutz und für alle wichtig ist, die Stimmdaten lieber nicht hochladen. Es gibt kein Kontosystem und keine Telemetrie, der Code ist prüfbar, und die MIT-Lizenz erlaubt private, Forschungs- und kommerzielle Nutzung. Ein Community-Playground erlaubt das Ausprobieren geteilter Stimmodelle vor dem Download.
