项目核验档案

abus-aikorea/voice-pro

voice-pro 是一个基于 Gradio 的多功能语音处理 Web 应用，将语音识别、多语言翻译、配音、文本转语音、零样本声音克隆、音频处理、YouTube 下载和人声分离整合在单一界面中。它适合需要在一个工具内完成端到端音视频本地化与语音生成工作流的开发者和内容创作者。

项目概览

项目将 TTS、零样本声音克隆、Whisper 音频处理、YouTube 下载、人声分离和多语言翻译集成在单一 Gradio WebUI 中，减少了多工具拼接成本。

项目类型: AI 工作流 · 语音音频
应用场景: 会议记录 · 翻译字幕 · 语音音频
部署方式: 查看项目说明
License: GPL-3.0

适合谁

需要在一个界面内完成视频下载、语音识别、翻译、配音和声音克隆全流程的创作者和开发者。
希望灵活选择多种 TTS 和声音克隆引擎进行语音生成实验的开发者。

核心能力

在 Web 应用中提供语音识别功能，将音频中的语音内容转换为文本，是后续翻译和配音工作流的输入基础。
作为应用工作流的一部分提供跨多种语言的内容翻译能力，支撑多语言配音和字幕生成。
通过 Web 应用提供多语言配音功能，将翻译后的文本合成为目标语言的语音，实现内容本地化。
利用 Edge-TTS 和 kokoro 提供文本转语音能力，支持将文本转换为自然语音输出。
利用 E2-TTS、F5-TTS 和 CosyVoice 提供零样本声音克隆能力，无需大量训练数据即可复制目标说话人的声音特征。
使用 Whisper 对音频进行处理，提供高精度的语音转录与音频内容分析能力。
支持下载 YouTube 内容作为后续处理工作流的输入素材，方便直接对线上视频进行翻译和配音。
使用 Demucs 进行人声分离，将音频中的人声与背景音乐或伴奏分离，提升后续识别和克隆的质量。

限制与风险

项目未记录 GPU 硬件要求，而声音克隆和 Whisper 音频处理通常需要 GPU 支持，用户需自行验证最低硬件配置。
项目未记录是否依赖外部服务或数据库，Edge-TTS 等云端引擎可能需要网络连接，离线场景下需确认可用性。

如何开始

项目的安装难度、依赖项和首次成功运行路径在现有资料中未被记录，建议从官方仓库的 README 和发布说明获取最新的安装指引。

替代方案与同类比较

提供从语音识别到字幕翻译、语音合成和视频合成的全自动视频翻译工作流，支持本地离线部署和多种在线 API，适合以视频翻译为核心需求的用户。
专注于隐私优先的会议转录和摘要，在用户自有基础设施上运行，适合需要数据主权的会议记录场景，但不具备配音和声音克隆能力。
通过扩散自回归架构直接生成连续语音表示，支持 30 种语言和 48kHz 录音棚级音频输出，适合对音质和多语言合成有高要求的场景。

同类比较

核验依据

README: 🎙️ An AI-powered web application for speech recognition, translation, and dubbing
GitHub 项目简介: Gradio WebUI for creators and developers, featuring key TTS (Edge-TTS, kokoro) and zero-shot Voice Cloning (E2 & F5-TTS, CosyVoice), with Whisper audio processing, YouTube downloa…
Release: v4.0.0
README: platforms: Windows

来源更新时间：2026-07-14T18:06:42Z

打开原始 GitHub 项目

项目详情

0