Voice-Pro最新版

Voice-Pro 是一个功能完整的开源网页应用，专为需要语音识别（ASR）、多语言翻译、文本转语音（TTS）和配音的用户设计。它将 YouTube 下载、音频分离、字幕生成、语音克隆等能力集成在一个界面中，无需依赖云端服务即可在本地运行。

无论是制作播客、翻译教学视频，还是为多语言内容生成配音，Voice-Pro 都提供了一套免费、可审计、可离线的解决方案。

核心能力一览

语音识别（ASR）

支持多种 Whisper 变体，满足不同精度与速度需求：

• Whisper（原始版）
• Faster-Whisper（CPU/GPU 加速）
• Whisper-Timestamped（带时间戳）
• WhisperX（支持说话人分割）

支持 100+ 语言的语音转文字，并可输出 SRT、ASS 等标准字幕格式。

零样本语音克隆

无需训练数据，直接用一段语音样本生成相似声音：

• F5-TTS（支持中、英、日、法、西、俄等多语种微调模型）
• E2-TTS
• CosyVoice（支持情感与风格控制）
• kokoro（HuggingFace TTS Arena 排名第 2）

内置多位中文名人声音样本（如迪丽热巴、蔡依林、赵丽颖等），可用于创意内容制作。

多语言翻译

• 免费版：基于 Deep-Translator（集成 Google Translate 等开源接口）
• 付费版：支持 Microsoft Azure Translator（更高准确率与专业术语支持）

可对字幕或转录文本进行实时翻译，支持 100+ 语言互译。

音频处理全流程

• YouTube 视频下载：通过 yt-dlp 提取音视频
• 人声分离：使用 Facebook 的 Demucs 模型提取干净人声
• 降噪选项：三级降噪（需注意显存占用）
• 输出格式：WAV、FLAC、MP3，兼容所有主流编辑软件

网页界面功能分区

所有操作均在浏览器中完成，后端服务运行于本地，数据不出设备。

系统要求

• 操作系统：Windows 10/11（64 位）
  

  ⚠️ 官方暂未支持 Linux/macOS（尽管部分用户社区已尝试移植）

• GPU：NVIDIA 显卡 + CUDA 12.4（推荐）
• 显存：≥4GB（8GB+ 更佳，尤其使用降噪级别 2 或 float 计算类型）
• 内存：≥4GB
• 存储：≥20GB（首次运行需下载 CozyVoice 等模型，约 9GB）
• 网络：首次安装必需（用于下载依赖和模型）

安装与使用

快速开始

git clone https://github.com/abus-aikorea/voice-pro.git
cd voice-pro

Windows 用户：

1. 运行 configure.bat（安装 ffmpeg、CUDA 工具链等，耗时约 1 小时）
2. 运行 start.bat（启动 WebUI，默认地址 http://127.0.0.1:7870）

💡 若浏览器未自动打开，请手动访问命令行中显示的 URL。

常见问题解决：

• CUDA 内存不足？
  → 降噪级别设为 0 或 1；计算类型选 int8 而非 float16
• 首次启动慢？
  → 正常现象，需下载 Whisper、TTS 等模型
• 出错无法启动？
  → 删除 installer_files 文件夹，重新运行 configure.bat + start.bat

更新与卸载

• 更新：运行 update.bat（仅刷新 Python 环境）
• 卸载：删除整个文件夹（便携式设计，无注册表残留）

为什么选择 Voice-Pro？

• 开源透明：代码公开，可自行审计，无隐藏数据收集；
• 本地优先：所有处理在本地完成，保护语音隐私；
• 功能集成：从视频下载到配音输出，无需切换多个工具；
• 多语言友好：特别优化中文、日语、韩语等东亚语言支持；
• 成本可控：免费版已满足大部分个人创作需求。