Voice-Pro：可本地部署的 AI 语音工具，集字幕、翻译和语音克隆于一体

一句话介绍：Voice-Pro 将语音识别、人声分离、翻译、文字转语音和语音克隆集中到一个网页界面，适合制作字幕、视频配音和多语言内容。

阿喵前言

给视频做一套外语配音，往往需要来回切换几个工具：提取音频、识别字幕、翻译文本，再生成新的语音。

Voice-Pro 把这些环节放进了同一个工作台。部署到自己的电脑后，通过浏览器就能操作，适合想自己掌控音频处理流程的用户。

资源介绍

Voice-Pro 是基于 Gradio 的开源语音处理应用。它整合 Whisper、Demucs、Edge-TTS、kokoro，以及 F5-TTS、E2-TTS、CosyVoice 等工具，覆盖从音视频处理到语音生成的常见需求。项目介绍

例如，处理一段采访视频时，可以先分离人声、识别字幕，校对并翻译文本后，再生成目标语言的配音。最终效果仍需要试听和调整，尤其是人名、专业术语及语气。

截图

特色

• Whisper 系列模型识别语音、生成字幕
• Demucs 分离人声与背景音乐
• 支持字幕翻译和实时语音翻译
• Edge-TTS、kokoro 将文字转换为语音
• F5-TTS、E2-TTS、CosyVoice 支持零样本语音克隆
• 集成 YouTube 下载及音频提取
• 浏览器界面操作，可在本机部署

以上功能的语言覆盖范围因模型和服务而异，并非每个语音模型都支持全部语言。功能说明

注意

• 本地部署不等于完全离线：Edge-TTS、默认翻译服务及在线视频下载需要联网。
• 官方明确验证的是 Windows＋NVIDIA 显卡环境，Mac 和 Linux 的运行情况尚未验证。
• 首次运行需要下载依赖和模型，建议预留至少 20GB 空间；官方列出的显存要求为 4GB 起，优先考虑 8GB 以上。
• README 仍保留暂缓更新的公告，使用前建议查看近期提交和 Issues。
• 克隆声音应使用本人或获得授权的录音；商用前还需核对所用模型的许可。

部署条件和联网服务说明可见官方 README。

教程

以 Windows 为例：

1. 打开 GitHub 仓库，点击 Code → Download ZIP，下载并解压源码。
2. 运行 start.bat，等待安装环境和下载模型。首次启动时间取决于网络速度。
3. 浏览器打开后进入操作界面；若没有自动打开，可访问启动窗口显示的本地地址。
4. 制作字幕时选择 Whisper Caption，导入素材并设置识别语言。
5. 翻译字幕使用 Translate；生成配音或克隆声音使用 Speech Generation。
6. 先用短素材测试，校对字幕并试听语音，再处理完整内容。

当前安装说明允许跳过需要管理员权限的 configure.bat，直接由 start.bat 准备运行环境。安装教程