📌 项目地址：abus-aikorea/voice-pro | ⭐ 11,651 颗星 | 🔧 Python | 📜 未标注
不是又一款TTS玩具，而是一条完整的语音生产线
Voice-Pro 是一个基于 Gradio 的 Web 应用，作者将其定位为 ElevenLabs 的开源替代方案。它解决的问题不是”合成一段语音”，而是把语音相关的多步工作流——YouTube 下载、人声分离、语音识别、翻译、配音——全部装进一个本地网页界面里，对创作者和开发者而言，意味着不必在五六个工具之间来回切换。
项目本体完全开源免费，作者因其他开发工作暂停了更新，但代码库已开放给任何人自由分发和修改。这一点对使用者来说反而是个机会：核心功能已稳定，不会再出现”某天突然闭源收费”的情况。
功能拆解：每个模块都是能打的工具
整个工具由五个彼此独立又能串联的模块构成：
- 语音识别（ASR）：内置三套引擎——openai-whisper、faster-whisper、whisper-timestamped，覆盖从高精度到批量处理的不同需求。faster-whisper 1.2.1 支持 large-v3-turbo 和 distil-large-v3.5 模型。
- 零样本声音克隆：F5-TTS、E2-TTS、CosyVoice，外加一个可选的 Fun-CosyVoice3-0.5B，支持中、英、韩等 9 种语言。零样本意味着不需要针对特定人声做训练，只需一段参考音频就能克隆音色。
- 多语言 TTS：Edge-TTS 免费且开箱即用；kokoro 体积小、速度快；如果你有自己的 Azure 密钥，也可以接入 Azure TTS。
- 音频处理：yt-dlp 下载 YouTube 视频，Demucs 做人声和伴奏分离——这是为后续配音/翻译场景准备的。
- 翻译：Deep-Translator 覆盖 100+ 语言，同样可选配 Azure Translator。
注意一个细节：WhisperX 在 4.0 版本中被移除了，原因是它的依赖与 Gradio 6 升级冲突。如果你的旧配置里指向 WhisperX，现在会自动回退到 faster-whisper。这说明作者在版本升级时优先考虑了整体稳定性和现代 GPU 支持，而不是保留所有历史组件。
实际用法：双击启动，浏览器操作
项目没有提供复杂的命令行交互，安装和运行围绕 start.bat 展开。Windows 用户双击该文件即可启动 WebUI，所有操作——上传视频、下载 YouTube 内容、选择模型、生成语音——都在浏览器界面中完成，无需编写代码。
需要说明的是，README 中没有提供更细粒度的安装命令。完整步骤（如 Git 克隆、uv 安装、模型下载位置等）建议直接参考官方文档和仓库内的说明文件。
遇到报错时，官方给出的排障路径很直接：删除 installer_files 文件夹，然后重新运行 start.bat。重新安装只需几分钟，已下载的 AI 模型保存在 model/ 目录中，不会被删掉。WebUI 中的错误会以红色 toast 提示显示，并且会一直存在直到你手动关闭——这是刻意的设计，避免错误信息被误触消失。
对比 ElevenLabs：强在所有权，弱在运维
官方 README 自称是”ElevenLabs 的强有力替代方案”，这两个工具可以做一个直观对比：
- ElevenLabs 是纯云服务，按字符计费，数据需要上传到第三方服务器；Voice-Pro 完全本地运行，一次安装永久免费，音频数据不出本机。
- ElevenLabs 是单一能力（TTS/克隆）的 API；Voice-Pro 把下载、分离、识别、翻译、合成串成了完整链路。
- ElevenLabs 有成熟的 API、文档和商业支持；Voice-Pro 的 WEBUI 适合单人/小团队使用，但不适合需要高并发、低延迟的线上业务。
- ElevenLabs 开箱即用；Voice-Pro 需要本地 GPU 环境（官方说明在 Windows + NVIDIA GPU 上运行良好，Mac 和 Linux 未验证）。
如果你需要的是一个稳定的 API 服务，ElevenLabs 可能仍是最省心的选择。如果你不想付费、需要批量处理、且在意音频数据隐私，Voice-Pro 的本地属性就是最大优势。
运行环境与已知限制
- 平台支持：官方只验证了 Windows + NVIDIA GPU。Mac 和 Linux 用户需要自行折腾，环境问题可能需要自己解决。
- 安装依赖：4.0 版本用 uv 替代了 Miniconda/pip，Python 3.12 + Torch 2.8.0（支持 RTX 50 系列显卡），一切依赖锁定在
uv.lock中，可复现性强。 - 软件状态：作者因 WeConnect 业务暂停了 Voice-Pro 的更新，代码已开源免费，不会突然变成付费软件，但也不要期待高频新功能。
- 修复成本：大多数故障的重装时间只需几分钟，且模型文件保留，不算沉重的恢复成本。
这个项目适合谁？一句话：如果你想在本地搭建一套完整的语音识别 + 翻译 + 配音工作流，不想为每次合成付费，且拥有一台 NVIDIA 显卡的 Windows 机器，它可能比任何单一商业服务都更匹配你的需求。