本地开源替代 ElevenLabs 的语音栈

语音赛道之前两极分化：要么用 ElevenLabs/Play.ht 按字符付费上云，要么自己拼凑 Whisper + Coqui + 各种前端。Voicebox 把克隆、生成、输入、代理对接打包成本地应用，还接入了 MCP 协议让 Agent 能直接调用语音能力，这是 WisprFlow 没做的开放生态。

7 个 TTS 引擎的抽象层设计很聪明，但 Rust + TypeScript + Python 的混合架构对想二开的团队有一定门槛。最该试的人群：做本地 AI 助手的独立开发者、有隐私合规要求的 B 端语音场景、以及想给 MCP 工具链加语音 I/O 的 Agent 团队。

43K stars 里有多少是冲着'开源 ElevenLabs'概念来的，需要看实际克隆质量和延迟数据，建议先跑中文语音的 benchmark 再决定是否替换现有管线。