Voice-Pro：集字幕翻译TTS于一体！

如果你做过视频本地化，你一定知道这个流程有多痛苦： 你要先分离音轨，再用 ASR 识别字幕，然后翻译，最后用 TTS 配音。中间还会用到一些 API 高质量的服务，通常得在好几个软件之间来回倒腾，耗时费力不说，有些好用的服务还得按字数收费，结果下来是不仅花费巨大，且费时。有没有一种方案，既能拥有顶级的语音识别和克隆效果，又能完全免费、无限量地使用呢？

今天就给大家分享这个 GitHub 上开源的神器：Voice-Pro。

Voice-Pro

https://github.com/abus-aikorea/voice-pro

https://www.wctokyoseoul.com

是一款开源的本地视频处理工具，由韩国团队开发后转为免费项目，主要整合了语音识别、翻译和AI配音功能。它支持从YouTube视频下载、自动分离人声、生成多语言字幕，并能用AI模拟人声配音，全流程在网页界面完成。核心技术采用Whisper系列模型（如快速版、带时间戳版）进行语音转文字，提供超过100种语言互译，并集成Edge-TTS等引擎实现零样本语音克隆。用户只需安装Python环境并运行配置脚本即可本地使用，适合自媒体、网课制作等场景，相比云端服务更高效且保护隐私。

最实用的就是整个流程自动化。你只需要输入YouTube链接，它就能自动下载视频、提取音频、分离人声背景音乐。然后识别说话内容生成字幕，翻译成目标语言，最后用AI声音配音导出。整个过程在一个界面完成，不用在多个软件间倒腾文件，对于需要批量处理视频的人来说能节省大量时间。

内置了Whisper系列的好几个版本，包括基础版、快速版、带时间戳的版本等。你可以根据需求灵活选择——处理会议录音选快速版节省时间，做精细字幕选带时间戳的版本。实测中文识别准确率不错，特别是清晰的人声环境下，断句和标点都比较准确。

提供两种配音方式：一是用微软的免费语音库，有上百种音色可选但听起来稍微机械；二是声音克隆功能，你提供1-2分钟的声音样本，AI就能模仿这个声音说其他语言。这个功能很适合做品牌统一配音，或者想让虚拟形象拥有固定声线。

这个实时翻译功能很棒。打开麦克风，你说话的时候，屏幕上会实时显示出你说的内容，并且马上翻译成你设置的外语。虽然翻译质量达不到专业水准，有些复杂句子可能不太准确，但对于日常交流、理解大意或者应急使用完全够用了。

Voice-Pro 是开源社区对商业软件的又一次「降维打击」。它把原本付费的 AI 技能工作流，变成了每个人电脑里都能运行的普通工具。虽然本地部署对显卡有一定要求，但相比于长期租用商业 API 的费用，还是好很多的。如果你正在做视频、多语言内容、AI 配音 — 那这个项目，值得你花一个周末认真跑一遍。