GitHub上今天有个东西，叫VoiceStudio。
它是干嘛的？说人话就是：ElevenLabs那套东西——克隆声音、给视频配音、听写、生成有声书——它全都有，但跑在你自己的机器上。不用注册账号，不用API key，不用订阅，也没有用量计费那一说。声音、项目、设置、生成出来的东西，默认全留在你那台电脑里。
支持的引擎是十六个TTS、十一个ASR，语言目录写着六百四十六种。这个数我是不太信的——它自己表格里也留了一句，说实际覆盖和效果取决于你选哪个引擎。这话说得挺实诚，等于承认六百四十六是目录长度，不是六百四十六种都能听。
跑的平台倒是不挑：苹果芯片的Mac、Windows 10和11、Linux，CPU也能跑，有显卡就用CUDA，苹果用MPS或MLX，还能挂远程worker。工作区分三块，从音频克隆、按描述造一个声音、语音转语音。配音那块能直接拖URL导入，波形和带时间轴的字幕放在同一个编辑面上，拖波形平移，点一下跳转。
谁用得上这个？我脑子里过了一遍，大概是这么几类人：手里有一堆素材要做有声书但不想按月交钱的，需要给视频配多语言字幕又不想把原始音频传出去的，还有做语音相关开发、想接本地API调模型的——它开了REST、SSE、WebSocket，还兼容OpenAI那套音频接口，另外带一个MCP Server。
有个地方得留意，README顶上挂了个警告，说Electron重写还在进行中，别去提桌面端相关的issue和PR。换句话说这玩意儿现在是能用的beta，不是能交付给客户的成品。
许可证是AGPL-3.0，但下载的模型各自跟着上游的条款走，这两层不是一回事，真拿去商用之前得自己看清楚。