Voice-Pro全面開源免費，六步流水線，每一步都踩在主流引擎上
整理版優先睇
Voice-Pro全面開源免費，六步流水線整合主流引擎，提供一站式YouTube多語言配音
呢篇文章介紹咗一個叫Voice-Pro嘅開源項目，完全免費，專為YouTube影片提供多語言配音。作者abus-korea設計咗一個六步流水線：一鍵下載、去除人聲、轉錄、翻譯、聲音克隆同重新配音。每個步驟都用了業界主流嘅開源引擎，例如yt-dlp、Demucs、Whisper、F5-TTS等。呢個工具嘅目標係令個人創作者同小團隊可以零門檻試錯，唔使俾昂貴嘅ElevenLabs月費。
不過，免費唔等於零成本。Voice-Pro需要NVIDIA顯卡，CosyVoice2模型約9GB，首次下載可能超過一個鐘。另外，翻譯同部分語音合成依賴在線API（Deep-Translator同Edge-TTS），斷網就唔用得。想完全離線就要自己替換成本地模型，門檻會高啲。整體嚟講，硬件同網絡條件有要求，但對於有GPU嘅用戶，呢個工具的確係免費午餐。
開源社羣對呢個項目反應熱烈，GitHub上有7.9k star。雖然開發者暫時停止咗開發，但係代碼已經完全以LGPL協議開源，社羣仲持續提交PR，修復bug同加入Linux支援。對比商業工具ElevenLabs，Voice-Pro冇唇形同步功能，但係免費同開源係佢嘅最大武器，慢慢撬動緊定價。
- Voice-Pro整合六步流水線，每個環節都用咗業界主流開源引擎，完全免費開源。
- 硬件門檻唔低：需要NVIDIA顯卡，CosyVoice2模型約9GB，首次下載可能要一個鐘。
- 部分功能依賴在線API，想完全離線可以替換成本地模型，但門檻會提高。
- 早期有授權爭議，v3.2以LGPL全面開源，社羣積極貢獻，Linux支援已加入。
- 對比ElevenLabs免費但冇唇形同步，適合個人創作者同小團隊，刀係免費+開源。
Voice-Pro GitHub
項目主頁，包含代碼、文檔同使用說明
六步流水線：主流引擎一覽
Voice-Pro將多語言配音拆成六個步驟，每個步驟都對接了業界最常用嘅開源方案，唔使自己逐個揾。
下載用yt-dlp，分離人聲用Demucs，轉錄用Whisper，翻譯用Deep-Translator，聲音克隆用F5-TTS或CosyVoice，語音合成用Edge-TTS或kokoro。
- 1 下載影片：用yt-dlp，YouTube下載嘅標配工具，GitHub 40k+ star。
- 2 人聲分離：用Meta開源嘅Demucs，HDC Seps模式專門處理流行音樂，效果比傳統算法好。
- 3 語音轉錄：用OpenAI嘅Whisper家族，支援Faster-Whisper、Whisper-Timestamped、WhisperX，可按需取捨精度同速度。
- 4 翻譯原文：用Deep-Translator，封裝Google Translate、DeepL、Microsoft Translator等接口，支援100多種語言，免費但需要連線。
- 5 聲音克隆：用F5-TTS或CosyVoice，零樣本克隆，畀幾秒音頻就模仿到音色同語調，Fine-tuned模型覆蓋十大語種。
- 6 語音合成：用Edge-TTS（微軟在線接口，400多種聲音）或kokoro（HuggingFace TTS Arena排名第二嘅開源引擎，完全本地），付費用戶可解鎖Azure TTS。
免費嘅代價：硬件同網絡要求
雖然Voice-Pro完全免費，但唔代表零成本。首先要有NVIDIA顯卡，因為底層要用PyTorch 2.5同CUDA 12.4。
CosyVoice2-0.5B模型約9GB，首次下載耗時一小時以上。
消費級RTX 4090已經夠跑推理，唔需要訓練級算力。
另外，翻譯同語音合成兩個環節依賴在線服務。Deep-Translator封裝咗Google Translate等API，Edge-TTS調用微軟雲端接口，斷網就用唔到。
想完全離線，可以自己將Deep-Translator換成本地翻譯模型，Edge-TTS換成kokoro，但就唔係一鍵搞掂喇。
開源爭議同社羣信任
Voice-Pro喺Hacker News上引發過唔少爭議，主要集中喺定性問題。
有用戶質疑佢用Edge-TTS係「借用Microsoft Edge嘅API key」，微軟法務隨時可以追責。
亦有人話安裝腳本畀Windows Defender報木馬，README嘅試用說明埋得太深，感覺有可疑。
早期版本授權表述模糊，但v3.2最終以LGPL全面開源，爭議先畫上句號。而家代碼全公開，PR審核透明，開發者嘅YouTube頻道有多個示範影片。
開源社區嘅信任機制，有時比商業公司嘅合規聲明更實在。
社羣接棒：從Issue到官方支援
GitHub上曾經有個Issue標題「Ubuntu Support」，得12個reaction。開發者忙其他嘢冇時間理，但社區自己搞掂。
2026年4月28日，Melancbot提交咗Linux綜合補丁，仲順手修咗YouTube下載器失效、VAD路徑錯誤、Gradio 5.x兼容性等多個問題。
PR描述寫：「呢個係個好程式，我好需要一個配音工具，所以我整返好佢。」用Kimi Code修嘅。
之後v3.2正式支援Windows、Mac、Linux。一個頂咗12次嘅Issue，從社區呼聲變成官方功能。
開源vs商業：差距與啟發
Voice-Pro唔係唯一嘅開源配音工具，但以7.9k star獨佔鰲頭。商業端ElevenLabs係絕對頭部，月費5-99美元，有唇形同步同API穩定性。
Voice-Pro冇唇形同步，只做音頻。但對於個人創作者同內容出海，完全免費意味住零門檻試錯。
ElevenLabs嘅護城河係質量+穩定性+生態；Voice-Pro嘅刀係免費+開源。呢把刀慢慢撬動緊定價。
做YouTube影片嘅人，成日俾多語言配音搞到好頭痕。
外包好貴，ElevenLabs每個月要22美金起跳，自己搞AI模型門檻又高。
而家GitHub上有個項目，將呢件事做到免費。
Voice-Pro，有7.9k粒星。一鍵下載YouTube影片，抽走人聲，轉錄，翻譯，克隆原聲，重新配音。六個步驟，一個界面，一撳就搞掂。
完全開源，完全免費。LGPL協議，任你改，任你用。
啲Code係真嘅。技術棧係真嘅。7.9k粒星都係真嘅。
Voice-Pro嘅pipeline設計唔複雜，但每個環節都用咗業界最常用嘅方案。
yt-dlp 下載影片，呢個係YouTube下載嘅標配工具，GitHub有40k+粒星。Demucs 分離人聲同伴奏，Meta開源嘅音頻分離模型，有30k+粒星，HDC Seps模式專門處理流行音樂嘅人聲去除，效果比傳統算法好一截。Whisper 轉錄原文，OpenAI嘅Whisper家族，支援Faster-Whisper、Whisper-Timestamped、WhisperX三個變體，精度同速度可以按需要取捨。
翻譯走 Deep-Translator，封裝咗Google Translate、DeepL、Microsoft Translator等接口，支援100幾種語言。免費，但要靠線上API。
跟住係核心環節——聲音克隆。F5-TTS 和 同CosyVoice，都係零樣本克隆，唔需要額外訓練，俾幾秒鐘原始音頻，直接模仿音色同語調。Fine-tuned嘅模型涵蓋英語、中文、日語、韓語、法語、西班牙語、俄語等十大語種。
最後係語音合成，Edge-TTS 和 同kokoro 兩個免費引擎可以揀。Edge-TTS調用微軟線上接口，支援100幾種語言，400幾種聲；kokoro係HuggingFace TTS Arena排名第二嘅開源引擎，完全喺本地行。付費用戶仲可以解鎖Azure TTS。
六個環節串埋一齊，一個 Gradio 5.14 Web UI，全程自動化。用戶只需要將YouTube連結貼上去，揀目標語言，撳開始。
底層係Python 3.10 + PyTorch 2.5，CUDA 12.4。硬件門檻：需要有NVIDIA顯卡。CosyVoice2-0.5B模型大約9GB，第一次下載可能要成個鐘以上。
消費級RTX 4090就夠行。訓練級算力唔需要，淨係做推理就得。
"完全免費"係真，但"零成本"就唔係
Voice-Pro喺X上面傳播嗰陣，最熱嘅講法係"100%本地行，完全免費"。
v3.2版本出咗之後，呢個講法基本上成立咗。開發者明確宣佈：所有Code開源（LGPL），完全免費，可以自由分發同修改。
但"免費"同"零成本"係兩回事。
硬件門檻唔低。 底層係Python 3.10 + PyTorch 2.5 + CUDA 12.4，需要有NVIDIA顯卡。CosyVoice2-0.5B模型大約9GB，第一次下載要成個鐘以上。冇GPU，行唔鬱。
部分環節仲要靠線上服務。 翻譯用Deep-Translator，本質係Google Translate等線上服務嘅封裝。Edge-TTS調用微軟嘅雲端接口。Code係本地嘅，但翻譯同語音合成兩步，斷咗網就做唔到。
想完全離線？可以將Deep-Translator換成本地翻譯模型，Edge-TTS換成kokoro。自主權完全喺自己手，但已經唔係"一鍵"搞掂。
Azure TTS同Azure Translator仍然係要俾錢嘅高級選項。但對大部分用戶嚟講，Edge-TTS + kokoro + 本地模型已經夠用。
免費午餐係有嘅。不過你自己要先買張枱。
HN上面嘅靈魂拷問
Voice-Pro喺Hacker News上出過三次Show HN。留言區嘈得最勁嘅，唔係功能，而係定性。
一位叫 gpm 有啲用戶直接開火：MIT協議喺repo入面擺咗喺度，但佢用嘅Edge-TTS，本質上係"借用Microsoft Edge嘅API key"，微軟法務隨時可以追究。一位叫 baystep 嘅用戶仲直接：安裝要行bat script，Windows Defender仲會報木馬，README入面提過一句30分鐘試用，但收得好埋——"just feels suspicious to me"。
仲有用戶 codetrotter 質疑"開源"兩個字：早期README寫嘅係demo，Code係咪完整，有冇閉源組件喺運行時下載？
呢啲爭議唔係空穴來風。早期版本確實有授權表述模糊嘅問題。v3.2最終以LGPL協議全面開源，爭議先至算畫咗句號。
但講返轉頭，7.9k粒星嘅項目，Code全部喺GitHub，PR公開審核，Issue透明討論。開發者嘅YouTube頻道有好多個完整嘅示範影片，由韓語→德語、英語→中文都有實際效果展示。
有用戶直接喺Issue度寫："請問有字幕轉語音嗎？呢個功能如果有嘅話絕對王炸。"——呢啲係真實需求，唔係水軍。
開源社區嘅信任機制，有時比商業公司嘅合規聲明更實在。
開發停咗，項目冇死
abuskorea喺GitHub上明確表示，而家重心喺另一個項目 WeConnect 上面，Voice-Pro "暫時冇辦法繼續開發同更新"。
但喺2026年初推出嘅v3.2版本入面，開發者做咗一個重要決定：將所有Code完全開源，取消收費限制，改用LGPL協議。
項目由一個"停更嘅商業工具"變成一個"真正嘅開源項目"。
但GitHub上面嘅活動冇停過。
2026年4月21日，一位叫 octo-patch 嘅用戶修咗Demucs子進程崩潰檢測。4月28日，另一位叫 Melancbot 嘅用戶提交咗綜合補丁——YouTube下載器失效、VAD路徑錯誤、Gradio 5.x相容性、安裝腳本構建失敗、torchaudio缺失、cmake配置問題，同埋：Linux支援。
PR描述入面一句話："This is a great program, I needed badly a dubber, so I got it fixed."
用Kimi Code修嘅。
同一日，octo-patch仲修咗Azure SDK相容性問題。5月4日——就係今日——仲有用戶喺度提Turkish語言支援嘅Issue。
一個開發停咗半年嘅項目，靠社區維持住活躍。呢啲情況喺AI工具領域唔算常見。
大部分開源AI項目，作者一停，star升勢就放慢。Voice-Pro嘅star曲線冇斷崖式下跌。
社區接棒：由12個👍到官方支援
GitHub上曾經有個Issue，標題得四個字——"Ubuntu Support"。
12個reaction，10個👍，2個🚀。開發者忙緊WeConnect，冇時間理。
社區冇等。4月28日，Melancbot提交咗Linux綜合補丁（詳情睇上節）。v3.2隨後正式宣佈支援Windows、Mac、Linux。
一個被頂咗12次嘅Issue，由社區呼聲變成官方功能。
開源社區對跨平台支援嘅渴望，遠比商業公司想像嘅更強烈。Windows獨佔？Linux用戶自己修，修到開發者直接採納。
開源 vs 商業，差距喺收窄
Voice-Pro唔係唯一嘅開源配音工具。GitHub上仲有AutoDub、Pollyduble、AI Video Dubbing，但star數都係10到幾十之間。
Voice-Pro以 7.9k star 獨佔鰲頭。功能最完整，文檔最齊，UI最成熟。
商業方面，ElevenLabs係絕對龍頭。月費5到99美金，企業版另計。優勢在於語音質量、唇形同步、API穩定性。Voice-Pro冇唇形同步——佢淨係做音頻，唔做影片對口型。
但對個人創作者、小團隊、內容出海需求嚟講，完全免費意味住零門檻試錯。幫YouTube影片做個多語言版本，幫TikTok短影片加個配音，Voice-Pro夠用。
ElevenLabs嘅護城河係質量 + 穩定性 + 生態。Voice-Pro嘅刀係：免費 + 開源。
呢把刀，正在慢慢撬動定價。
ElevenLabs每個月收費，開源社區直接免費供應。
開源嘅武器，從來唔係Code本身。係社區願意為佢續命嘅意願。
Voice-Pro開發停咗，Code開源咗，star仲喺度升。社區仲喺度修bug，仲喺度提feature，Linux支援都有埋。
下一個PR，可能就係你嘅。
Voice-Pro項目地址：https://github.com/abus-aikorea/voice-pro
Macaron 🧁 | ElevenLabs每個月收費，開源社區直接免費供應。
做 YouTube 視頻的人，苦多語言配音久矣。
外包貴，ElevenLabs 月費 22 美元起步，自己折騰 AI 模型門檻高。
現在 GitHub 上有個項目，把這事兒幹到了免費。
Voice-Pro，7.9k star。一鍵下載 YouTube 視頻，去掉人聲，轉錄，翻譯，克隆原聲，重新配音。六個步驟，一個界面，點擊即跑。
完全開源，完全免費。LGPL 協議，隨便改，隨便用。
代碼是真的。技術棧是真的。7.9k star 也是真的。
Voice-Pro 的 pipeline 設計不復雜，但每個環節都接了業界最常用的方案。
yt-dlp 下載視頻，這是 YouTube 下載的標配工具，GitHub 40k+ star。Demucs 分離人聲和伴奏，Meta 開源的音頻分離模型，30k+ star，HDC Seps 模式專門處理流行音樂的人聲去除，效果比傳統算法好一截。Whisper 轉錄原文，OpenAI 的 Whisper 家族，支持 Faster-Whisper、Whisper-Timestamped、WhisperX 三個變體，精度和速度可以按需取捨。
翻譯走 Deep-Translator，封裝了 Google Translate、DeepL、Microsoft Translator 等接口，100 多種語言。免費，但依賴在線 API。
然後是核心環節——聲音克隆。F5-TTS 和 CosyVoice，都是零樣本克隆，不需要額外訓練，給幾秒鐘原始音頻，直接模仿音色和語調。Fine-tuned 模型覆蓋英語、中文、日語、韓語、法語、西班牙語、俄語等十大語種。
最後是語音合成，Edge-TTS 和 kokoro 兩個免費引擎可選。Edge-TTS 調用微軟在線接口，100 多種語言，400 多種聲音；kokoro 是 HuggingFace TTS Arena 排名第二的開源引擎，完全本地運行。付費用戶還可以解鎖 Azure TTS。
六個環節串起來，一個 Gradio 5.14 Web UI，全程自動化。用戶只需要把 YouTube 連結粘貼進去，選目標語言，點擊開始。
底層是 Python 3.10 + PyTorch 2.5，CUDA 12.4。硬件門檻：需要 NVIDIA 顯卡。CosyVoice2-0.5B 模型約 9GB，首次下載可能耗時一小時以上。
消費級 RTX 4090 夠跑。訓練級算力不需要，推理就行。
"完全免費"是真的，但"零成本"不是
Voice-Pro 在 X 上傳播時，最火的說法是"100% 本地運行，完全免費"。
v3.2 版本發佈後，這個說法基本成立了。開發者明確宣佈：所有代碼開源（LGPL），完全免費，可自由分發和修改。
但"免費"和"零成本"是兩回事。
硬件門檻不低。 底層是 Python 3.10 + PyTorch 2.5 + CUDA 12.4，需要 NVIDIA 顯卡。CosyVoice2-0.5B 模型約 9GB，首次下載耗時一小時以上。沒有 GPU，跑不動。
部分環節仍依賴在線服務。 翻譯用的 Deep-Translator，本質是 Google Translate 等在線服務的封裝。Edge-TTS 調的是微軟的雲端接口。代碼是本地的，但翻譯和語音合成兩步，斷網跑不了。
想徹底離線？可以把 Deep-Translator 換成本地翻譯模型，Edge-TTS 換成 kokoro。自主權全在自己手裏，但已經不是"一鍵"了。
Azure TTS 和 Azure Translator 仍是付費高級選項。但對於大多數用戶，Edge-TTS + kokoro + 本地模型已經夠用。
免費午餐存在了。只是你自己得先買張桌子。
HN 上的靈魂拷問
Voice-Pro 在 Hacker News 上發過三次 Show HN。評論區吵得最兇的，不是功能，是定性。
一位叫 gpm 的用戶直接開炮：MIT 協議在 repo 裏放着，但它用的 Edge-TTS，本質上是"借用 Microsoft Edge 的 API key"，微軟法務隨時可以追責。一位叫 baystep 的用戶更直接：安裝要跑 bat 腳本，Windows Defender 還會報木馬，README 裏提了一嘴 30 分鐘試用，但埋得很深——"just feels suspicious to me"。
還有用戶 codetrotter 質疑"開源"二字：早期 README 寫的是 demo，代碼是否完整，是否有閉源組件在運行時下載？
這些爭議不是空穴來風。早期版本確實存在授權表述模糊的問題。v3.2 最終以 LGPL 協議全面開源，爭議才算畫上句號。
但話說回來，7.9k star 的項目，代碼全在 GitHub，PR 公開審核，Issue 透明討論。開發者的 YouTube 頻道有多個完整的演示視頻，從韓語→德語、英語→中文都有實際效果展示。
有用戶直接在 Issue 裏寫："請問有字幕轉語音嗎？這個功能要是有絕對王炸。"——這是真實需求，不是水軍。
開源社區的信任機制，有時候比商業公司的合規聲明更實在。
開發停了，項目沒死
abuskorea 在 GitHub 上明確表示，目前重心在另一個項目 WeConnect 上，Voice-Pro "暫時無法繼續開發和更新"。
但在 2026 年初發布的 v3.2 版本中，開發者做了一個重要決定：將所有代碼完全開源，取消付費限制，改用 LGPL 協議。
項目從一個"停更的商業工具"變成了一個"真正的開源項目"。
但 GitHub 上的活動沒停。
2026 年 4 月 21 日，一位叫 octo-patch 的用戶修了 Demucs 子進程崩潰檢測。4 月 28 日，另一位叫 Melancbot 的用戶提交了綜合補丁——YouTube 下載器失效、VAD 路徑錯誤、Gradio 5.x 兼容性、安裝腳本構建失敗、torchaudio 缺失、cmake 配置問題，以及：Linux 支持。
PR 描述裏一句話："This is a great program, I needed badly a dubber, so I got it fixed."
用 Kimi Code 修的。
同一天，octo-patch 還修了 Azure SDK 兼容性問題。5 月 4 日——就是今天——還有用戶在提 Turkish 語言支持的 Issue。
一個開發暫停半年的項目，靠社區維持着活躍。這在 AI 工具領域不算常見。
大多數開源 AI 項目，作者一停，star 漲速就放緩。Voice-Pro 的 star 曲線沒有斷崖。
社區接棒：從 12 個👍到官方支持
GitHub 上曾有個 Issue，標題四個字——"Ubuntu Support"。
12 個 reaction，10 個👍，2 個🚀。開發者在忙 WeConnect，沒空管。
社區沒等。4 月 28 日，Melancbot 提交了 Linux 綜合補丁（詳見上節）。v3.2 隨後正式宣佈支持 Windows、Mac、Linux。
一個被頂了 12 次的 Issue，從社區呼聲變成了官方功能。
開源社區對跨平台支持的渴望，遠比商業公司想象的更強烈。Windows 獨佔？Linux 用戶自己修，修到開發者直接採納。
開源 vs 商業，差距在縮窄
Voice-Pro 不是唯一的開源配音工具。GitHub 上還有 AutoDub、Pollyduble、AI Video Dubbing，但 star 數都在 10 到幾十之間。
Voice-Pro 以 7.9k star 獨佔鰲頭。功能最完整，文檔最全，UI 最成熟。
商業端，ElevenLabs 是絕對頭部。月費 5 到 99 美元，企業版另算。優勢在於語音質量、唇形同步、API 穩定性。Voice-Pro 沒有唇形同步——它只做音頻，不做視頻對口型。
但對於個人創作者、小團隊、內容出海需求來說，完全免費意味着零門檻試錯。給 YouTube 視頻做個多語言版本，給 TikTok 短視頻加個配音，Voice-Pro 夠用。
ElevenLabs 的護城河是質量 + 穩定性 + 生態。Voice-Pro 的刀是：免費 + 開源。
這把刀，正在慢慢撬動定價。
ElevenLabs 按月收費，開源社區直接白給。
開源的武器，從來不是代碼本身。是社區願意為它續命的意願。
Voice-Pro 開發停了，代碼開源了，star 還在漲。社區還在修 bug，還在提 feature，Linux 支持也有了。
下一個 PR，可能就是你的。
Voice-Pro 項目地址：https://github.com/abus-aikorea/voice-pro
Macaron 🧁 | ElevenLabs 按月收費，開源社區直接白給。