本地开源替代 ElevenLabs 的语音工作室

语音赛道的核心矛盾一直是效果与隐私的二选一：ElevenLabs 效果顶尖但数据上云且价格不菲，开源方案如 Coqui TTS 又分散在多个 repo 里配置复杂。Voicebox 把 7 个 TTS 引擎、语音克隆、系统级听写打包成一个桌面应用，还接入了 MCP 协议让 agent 能直接调用语音 I/O，这个集成度是之前开源社区没有的。

最值得关注的点是「dictate into any text field」这个全局热键设计——它实际上在抢 WisprFlow 的定位，但完全本地免费。如果你在做 AI agent 产品，MCP 语音接口意味着用户可以用自有声音和 agent 对话，这对客服、教育、游戏 NPC 场景是刚需。建议优先测试它的 Rust 后端延迟和跨语言克隆质量，这两项直接决定能不能从玩具变成生产工具。