Voice-Pro

项目简介

Voice-Pro 是由韩国开发者 ABUS 构建的开源 AI 音视频处理工具，基于 Gradio WebUI 开发，集成语音识别、语音克隆、文字转语音、YouTube 视频下载、音频人声分离和多语言翻译等功能于一体。该项目在 GitHub 上获得关注，并在 Hacker News 等平台获得展示，被视为 ElevenLabs 的开源替代方案之一。项目采用 LGPL 许可证，支持 Windows 10/11 系统。

核心功能

语音识别（Whisper 引擎） 集成 OpenAI Whisper、Faster-Whisper 和 Whisper-Timestamped 三大引擎，提供高准确度的语音转文字服务，支持100+语言识别。

零样本语音克隆（E2 / F5-TTS / CosyVoice） 仅需短音频样本即可克隆任意音色，支持 E2-TTS、F5-TTS 和 CosyVoice（含 Fun-CosyVoice3——支持韩语及另外8种语言），实现零样本声音克隆。

文字转语音（Edge-TTS / kokoro） 内置 Edge-TTS 和可选 kokoro 语音引擎，支持多语言自然语音生成，也可接入 Azure TTS（需自备密钥）。

YouTube 视频处理与音频提取 集成 yt-dlp，支持从 YouTube 视频提取音频并转换为 mp3/wav/flac 格式，配合语音识别和翻译功能实现视频本土化。

人声分离与多语言翻译 采用 UVR5（MDX-Net + Demucs）技术分离背景音乐和人声，结合 Deep-Translator 或 Azure Translator 实现100+语言的即时翻译和字幕生成。

技术实现

Voice-Pro 的技术架构围绕 Gradio WebUI 构建，核心依赖包括：Whisper 系列引擎负责语音识别；E2/F5-TTS 和 CosyVoice 提供语音克隆能力；Edge-TTS 和 kokoro 支撑文字转语音；yt-dlp 处理 YouTube 视频下载；Deep-Translator 实现多语言翻译。项目对 NVIDIA GPU 有较好支持，需 CUDA 12.1 及 4GB 以上显存（推荐 8GB），但也支持纯 CPU 运行。整体技术栈融合了多个开源 SOTA 模型，通过 Gradio 提供交互式 Web 界面，降低了使用门槛。

快速上手

步骤一：下载项目 从 GitHub 克隆仓库：git clone https://github.com/abus-aikorea/voice-pro.git

步骤二：配置环境 进入项目目录，双击运行 configure.bat 自动配置依赖环境，需确保系统为 Windows 10/11 64位且已安装 NVIDIA 驱动。

步骤三：启动 WebUI 运行 start.bat 启动 Gradio Web 界面，默认在本地端口提供服务，通过浏览器访问即可开始使用。

步骤四：处理音视频 在 WebUI 中选择功能模块（语音识别/克隆/TTS/翻译等），上传本地文件或粘贴 YouTube 链接，即可一键完成处理。

适用人群

内容创作者：需要为视频配音、翻译或克隆特定音色的 YouTuber 和播客主，可借助 Voice-Pro 快速完成多语言视频本土化。研究人员：处理音频数据集、进行语音识别研究或实验不同语音合成模型的学术人员。多语言专业人士：需要实时翻译和配音的国际贸易、跨境电商从业者。开源爱好者：对语音 AI 技术感兴趣、希望在本地部署完整语音处理流程的开发者和技术爱好者。