01
一个网页，把字幕、翻译、配音全包了
做一条多语言视频，很多麻烦都来自工具太散，每个步骤本身反而没有那么难。
先下载视频，再分离人声、生成字幕、翻译文本、合成配音，最后还要把素材重新对齐。
Voice-Pro 把这些事情装进了同一个 Gradio WebUI。目前项目在 GitHub 上拿到了约 1.2 万 Star。
![]()
它的 Dubbing Studio 可以下载 YouTube 视频、提取音频，用 Demucs 分离人声，再调用 Whisper、Faster-Whisper 或 Whisper-Timestamped 做识别和字幕。
翻译部分支持 100 多种语言，字幕、音频和视频素材都能接着往下处理。
配音能力也很全。
Edge-TTS 和 kokoro 适合常规语音合成，F5-TTS、E2-TTS、CosyVoice 则可以做零样本声音克隆。
你想给播客换语言，给教程补一条英文音轨，或者快速生成一版带字幕的外语视频，都能在一个界面里完成。
这个项目很适合内容创作者。
只想调用一个语音 API 的开发者，可能用不到这么完整的工作台。它已经把常见流程做成了可视化页面。
![]()
![]()
Windows 加 NVIDIA 显卡的体验更稳，Mac 和 Linux 虽然提供了启动脚本，但目前没有经过充分验证。
AI 模型下载量大约 10GB，官方建议预留 20GB 以上空间，显存 4GB 起步，8GB 以上会更从容。
02
把语音助手拆成四块，想换哪个模型都行
Hugging Face 开源的 speech-to-speech 目前已经有约 1 万多 Star。
项目把一套语音助手拆成四个环节：VAD 判断你什么时候开始和停止说话，STT 把语音转成文字，LLM 生成回答，TTS 再把回答读出来。
这四个环节的实现你可以灵活更换。
比如目前默认配置使用 Parakeet TDT 做语音识别，语言模型走 OpenAI 兼容接口，语音输出使用 Qwen3-TTS。
你也可以换成 Whisper、Faster-Whisper、Paraformer、Kokoro、Pocket TTS 等方案。
![]()
如果你要做桌面语音助手、智能硬件、机器人，或者想研究一套能完全本地运行的语音链路，这个项目很适合拿来打底。
它提供了一套可以不断换零件的工程框架，角色和应用形态都由你决定。
03
让 Agent 边聊天边干活
感觉基于语音优先的 Agent 产品要爆发了。
我之前也研究过，有一个很尴尬的点，是你发语音让 AI 去查资料或改文件，接下来只剩下漫长的安静。
任务没结束，话也没法继续聊，体验很差。
开源地址：https://github.com/QwenAudio/qwen-audio-agent
Qwen Audio Agent 想解决的就是这个问题。
定位是一套实时语音运行时，把前台对话和后台 Agent 分成两条可以并行工作的链路。
你可以一边和它说话，一边让后台 Agent 查资料、调用工具或处理项目。
执行过程中还能追问进度、取消任务，也能创建多个互相独立的任务。任务完成后，结果会自动回到当前对话里，不需要你反复切窗口查看。
![]()
后台 Agent 支持 OpenCode、OpenClaw、Qoder、Kimi Code 等，Codex 和 Claude Code 也可以通过外部适配器连接。
你原来配置的工具、MCP、Skill 可以继续复用。
交互端提供浏览器 WebUI、终端 TUI 和 macOS 桌面悬浮球。
macOS 默认支持带回声消除的全双工对话，AI 说话时你可以自然插话；Linux 和 Windows 的 TUI 默认使用半双工模式。
项目还会把个人档案、明确要求长期记住的信息和任务状态保存在本机。
![]()
04
点击下方卡片，关注逛逛 GitHub
这个公众号历史发布过很多有趣的开源项目，如果你懒得翻文章一个个找，你直接关注微信公众号：逛逛 GitHub ，后台对话聊天就行了：
