[Python] 开源本地音视频处理 WebUI：Voice-Pro v3.2.0 核心功能与部署指南

最近发现一个功能相当全面的开源项目 Voice-Pro 。虽然作者（ABUS团队）为了启动新项目已经停止了更新，但其最后一个版本（v3.2.0）的功能已经非常完善，基本整合了市面上好用的开源语音模型。

简单来说，这是一个基于 Gradio 构建的本地化工作站，主要目标是替代 ElevenLabs、Kapwing 这类昂贵的 SaaS 服务。

1. 核心功能（集成式解决方案）

该项目最大的价值在于将众多分散的工具整合到一个统一的 WebUI 中，省去了用户自行编写脚本调用多个组件的麻烦。

• 语音识别 (STT)：
  • 底层支持 Whisper, Faster-Whisper, Whisper-Timestamped 和 WhisperX。
  • 支持 90+ 种语言，能够生成带单词级高亮标记的字幕文件。
• TTS & 语音克隆：
  • Edge-TTS：微软的免费服务，支持 100+ 种语言和 400+ 种声音。
  • Kokoro：在 HuggingFace TTS Arena 排行榜上表现优异的模型。
  • 零样本语音克隆 (Zero-shot Voice Cloning)：集成了 F5-TTS, E2-TTS 以及阿里开源的 CosyVoice。无需训练，直接提供一段参考音频即可克隆声音。项目内甚至预置了 Elon Musk、Joe Rogan 及 BTS 成员等人的参考音源。
• 多媒体处理 (Dubbing Studio)：
  • 内置 yt-dlp：可直接下载 YouTube 视频进行处理。
  • 人声分离：调用 Demucs 模型，将背景音乐与人声分离。
  • 字幕处理：支持字幕去噪，并可导出多种音频 (WAV, FLAC, MP3) 和字幕格式 (SRT, ASS 等)。
• 翻译：
  • 支持超过 100 种语言的即时翻译，免费版本使用 Deep-Translator，也支持接入 Azure Translator API。
  • 利用 spaCy 进行自然语言分句，使逐句翻译的结果更加自然。

2. 技术栈与硬件要求

项目代码主要由 Python (93.9%) 编写，UI 框架为 Gradio。

• 系统：Windows 10/11 (64-bit) 体验最佳。Mac 和 Linux 仅有脚本支持，官方未进行完整验证。
• GPU：强烈建议使用 NVIDIA 显卡。
  • 需要 CUDA 12.4 版本。
  • 显存：最低 4GB 可运行基础功能。但如果开启 Demucs 降噪或运行大型模型，推荐 8GB+。若显存不足，记得在设置中将计算精度调整为 int8，虽然 float 模式质量更好。
• 存储：建议预留 20GB 以上的空间，主要用于下载各类模型。

3. 部署与常见问题

虽然项目已停止更新，但代码完全开源且免费，用于本地运行没有问题。

• 安装：
  • Windows 用户直接运行 configure.bat，脚本会自动配置 Git、ffmpeg、CUDA 等环境。
  • 环境配置完成后，运行 start.bat 启动服务。
• 故障排除：
  • 如果环境错乱或安装失败，最直接的方法是删除 installer_files 文件夹，然后重新运行配置脚本。
• 现状：目前版本停留在 v3.2.0 (发布日期 2025-12-05)。虽然有些遗憾，但作为一个离线工具，现有功能已经相当强大且实用。

总结

Voice-Pro 主要适合两类用户：一是自媒体从业者，需要大量处理字幕和配音，又不愿为 SaaS 平台支付月费；二是希望体验 F5-TTS 或 CosyVoice 等先进模型，但不愿一个个单独部署环境的开发者。

无论是用于视频内容搬运、本地字幕生成，还是进行简单的变声处理，这都是一个非常趁手的工具。对于对 Python 和 AI 音视频处理感兴趣的开发者，可以在 云栈社区 进一步交流相关技术。

项目地址： https://github.com/abus-aikorea/voice-pro?tab=readme-ov-file