从一段文字到一部成片，
一个软件全流程做完
YP AI 全能创作台（YP AI Studio）—— 把语音克隆、字幕配音、有声书、视频翻译配音、人声伴奏分离、AI 图生视频、一键抠图、数字人、高清换脸、直播换脸、翻唱变声整合进同一个中文界面。一张照片 + 一段音频就能生成口型同步的数字人视频；一段文字 + 一张图就能生成带运镜的短视频；3 秒参考音频即可复刻音色；字幕文件一键转配音、一键烧录、一键翻译成外语重新配音。所有 AI 推理都在你本机完成，照片、视频、声音不上传服务器。免配置环境，解压即用，支持中文路径，兼容 NVIDIA 10/20/30/40/50 系列，也可纯 CPU 启动。
核心功能：一个软件，一条生产线
从文案、配音、字幕，到视频配音、翻译配音、图生视频、抠图、数字人、换脸、翻唱，全部在同一个窗口里完成。
语音克隆 · 音色复刻
给 3 秒以上干净人声就能复刻音色，官方 IndexTTS 2.5 模型，支持中文、英文、日文、西班牙文、阿拉伯文。
情感控制 · 不只是念稿
三种方式任选：跟随参考音频的情绪、八维情感滑块（喜悦·愤怒·悲伤·恐惧·厌恶·忧郁·惊喜·平静）、或者直接用文字描述，比如"悲伤哽咽地说话"。
批量 TXT · 批量 ZIP
一行一段批量合成后自动合并，也可一次上传多个 TXT；大批量任务打包成 ZIP 下载，支持断点续传，中断了再点一次接着做。
SRT 字幕转语音
按字幕时间轴逐条配音，三种对齐策略：停顿对齐（不变调，推荐）、严格卡时长、按语速自由读；可自动过滤识别幻觉产生的假句子。
有声书 · 多人对话
一个 TXT 一章，逐章合成并合并，可设置章节间停顿；多人对话按"角色：台词"格式，给每个角色指定不同音色。
语音转文字 · 字幕精修
本地 Whisper large-v3，快速／高精度／极致三档，直接导出 SRT。识别结果会做幻觉过滤与静音对齐，减少多词、漏词、时间轴偏移。
视频配音 · 字幕烧录
视频去原声，按字幕时间轴换成新配音，可选择是否把字幕烧进画面；字体、字号、距底边、时间偏移都能调，字体已内置，换台电脑也不会糊。
视频自动翻译配音
一条龙：自动识别原视频语音 → 本地翻译 → 生成配音 → 输出配音视频 + 翻译字幕，不懂外语也能把中文片子发到海外平台。
文本翻译
内置 NLLB 本地翻译模型，多语言互译，不联网也能用，长文本直接粘贴翻译。
人声伴奏分离 · BGM 混音
htdemucs 标准模式 / htdemucs_ft 精细模式，一键拆出人声与伴奏两轨；内置 BGM 可试听，人声、伴奏音量与淡入淡出可调，BGM 不够长自动循环。
数字人 · 三种引擎
IMTalker 音频驱动（快，头部说话）、IMTalker 视频驱动（把视频里的表情动作搬到图片上）、InfiniteTalk 高清引擎（口型、头动、表情、身体姿态一起跟随，时长不限）；另有一键"视频驱动换脸版"，保留原视频的身体和背景，只把脸换成你的。
高清换脸 · 直播换脸
高清换脸：图片或整段视频换脸，保留原视频的一切，只换人脸，支持多张来源图、脸对脸映射、遮挡保护。直播换脸：摄像头实时换脸，镜头前就能直播，内置增强引擎，帧率与效果超过原版 Pro。
翻唱变声
Seed-VC 零样本歌声转换，保留原曲的旋律和节奏，只换成目标音色，可直接混入伴奏合成完整歌曲。
API 服务 · 文件夹监控
一键启动本地 API（带接口文档），其他软件能直接调用你的语音合成；文件夹监控盯住一个目录，新放入的文案或音频自动开始合成，挂机就能出货。
音色库 · 多音字标注
音色可保存、改名、随时调用，长期攒下自己的音色库；多音字自动识别并可手动指定读音，专治"重、长、行、了、差、着"这类字读错，中文配音更靠谱。
AI 图生视频
一张图片 + 一句画面描述，就能生成一段带运镜的短视频。用的是内置的 Wan2.1 图生视频模型 + 4 步加速，全本机生成，不用再另外下模型。
一键抠图 · 换背景
人像、商品、宠物一键去背，输出带透明通道的 PNG；也能直接换成白底、蓝底、红底（证件照常用底色），支持边缘羽化，单张约 1 秒。
图片反推提示词
传一张图，自动写成一段描述，还能提取图里的文字；顺手翻译成中文。拿去做画图、图生视频的提示词正好，单张约 1 秒。
菜单里一共有这些
全部功能都在同一个界面，装一次、开一次就能用，不用来回切软件。
| 栏目 | 能做什么 | 适合谁 |
|---|---|---|
| 语音克隆 | 参考音频克隆音色，五种语言，情感控制，多音字手动标注 | 口播号、带货号、有声书 |
| 批量 TXT | 一行一段批量合成并自动合并，可上传多个 TXT 文件 | 脚本批量出片 |
| SRT 转语音 | 按字幕时间轴逐条配音，可过滤识别幻觉 | 影视解说、短剧配音 |
| 批量合成 ZIP | 大批量任务打包下载，支持断点续传 | 几百上千条的批量活 |
| 语音转文字 | 本地 Whisper large-v3，三档精度，导出 SRT | 扒字幕、做解说稿 |
| 有声书模式 | 一章一个 TXT，逐章合成合并，可设章节停顿 | 有声小说、长视频旁白 |
| 多人对话 | 多角色各配一个音色，按"角色：台词"合成 | 广播剧、对话类口播 |
| 音频后处理 | 淡入淡出、响度归一化（LUFS），输出 WAV / MP3 | 音频素材整理 |
| 人声伴奏分离 | 标准 / 精细两档，拆出人声与伴奏两轨 | 翻唱、二创、去伴奏 |
| BGM 混音 | 内置 BGM 试听，人声与伴奏音量、淡入淡出可调 | 给配音加背景音乐 |
| 视频处理 | 字幕烧录、视频配音（可带字幕）、音轨替换 | 成片包装、换配音 |
| 文本翻译 | 本地 NLLB 多语言互译 | 文案出海、字幕翻译 |
| 视频自动翻译配音 | 识别 + 翻译 + 配音，输出配音视频与翻译字幕 | 搬运、出海、多语版本 |
| AI 图生视频 | 一张图 + 一句描述 → 3~5 秒短视频，内置 Wan2.1 加速版 | 让照片动起来、短视频素材 |
| 一键抠图 | 去背输出透明 PNG，或直接换白 / 蓝 / 红底 | 证件照、电商图、素材处理 |
| 图片反推提示词 | 图片自动写成描述，可提取图中文字并翻译成中文 | 反推提示词、打标、OCR |
| ComfyUI 工作台 | 内置完整 ComfyUI（2360+ 节点），软件里一键启动 | 进阶玩法、自己加模型和节点 |
| API 服务 | 一键启停，本机或局域网调用，带接口文档 | 接到自己的脚本/系统里 |
| 数字人 | 音频驱动 / 视频驱动 / InfiniteTalk 高清引擎 / 视频驱动换脸版 | 虚拟主播、口播号 |
| 高清换脸 | 图片、视频换脸并导出成品，多来源图与遮挡保护 | 剧情号、二创剪辑 |
| 直播换脸 | 摄像头实时换脸，窗口内快捷键切换增强、遮挡、对比 | 直播、连麦、真人出镜 |
| 翻唱变声 | 保留旋律节奏换成你的音色，可混伴奏 | 翻唱、AI 歌手 |
| 文件夹监控 | 盯住一个目录，新放入的文案/音频自动合成 | 挂机批量生产 |
| 音色管理 / 多音字标注 | 保存、改名、删除音色；自动识别多音字并可手动指定读音 | 长期维护自己的音色库 |
| 计算时间 / 模型 / 系统信息 | 预估耗时、确认模型完整性、查看显卡与运行模式、一键释放显存 | 排故障、安排任务 |
软件会随版本更新持续增加功能，具体栏目与参数以你拿到的版本为准。
为什么它比"拼软件"省事
别人是七八个软件拼起来，这里是同一套环境、同一个界面。
极速引擎自动开启
显存 ≥10GB 且为 RTX 30/40/50 时自动启用极速引擎（FlashAttention + Triton），低端显卡自动走普通模式，不会因为开错模式跑不动。
一套环境，全部功能共用
语音、字幕、视频、数字人、换脸、翻唱都是同一个 Python 环境和同一批模型，装一次全部能用，不用装七八个软件、不用来回切显卡驱动。
内置 ComfyUI，开箱可用
数字人高清引擎跑在整合包自带的 ComfyUI 上，用的时候自动启动、闲置 5 分钟自动关闭释放显存，不用你自己装节点、配环境。
换脸引擎做了加强
直播换脸用的是内置的深度换脸引擎，在本整合包里重新优化过：速度更快、画面更稳，帧率和效果都超过原版。
全本地推理
语音合成、识别、翻译、数字人、换脸全部在你电脑上跑，联网只用于授权校验，照片、视频、声音不会上传。
中文路径 · 免配置 · 断点续传
解压到中文目录也能跑，界面全中文；首次生成加载模型约 20~40 秒，之后明显更快；大批量任务支持断点续传，中断了接着做。
软件下载
解压后双击根目录的启动器即可运行，模型与环境全部内置，无需另外安装。
不同电脑的表现
整合包已按显卡类型分别适配，买之前先对一下自己的机器。
| 电脑 / 显卡 | 推荐用法 | 说明 |
|---|---|---|
| NVIDIA RTX 30 / 40 / 50 系列 | 全部功能全开，自动启用极速引擎 | 数字人、换脸、语音都流畅 |
| NVIDIA RTX 20 系列、3050 6G | 全部功能可用 | 推荐起点，长时间批量也稳 |
| GTX 10 / 16 系列老卡 | 自动切换兼容模型，高清增强建议关 | 能用，换脸可直播，帧率约十几帧 |
| AMD / Intel 核显、纯 CPU | 低分辨率 + 关闭高清增强 | 能跑，速度较慢，适合先体验 |
系统要求：Windows 10 / 11 64 位。整合包体积较大（含全部模型），建议预留足够硬盘空间；运行占用显存 2–4GB，数字人高清引擎更高。
三种套餐，按需选择
激活卡首次使用时绑定单台电脑，可解绑换机。
购买入口：https://ai.yp89.cn/shop/ · 在购卡页左侧选择「YP AI 全能创作台」，再选套餐即可。
三步开始使用
下载后解压，中文路径也没问题；双击根目录的启动器，等浏览器自动打开界面。
要配音就进「语音克隆」或「SRT 转语音」，要成片就进「视频处理」，要数字人就进「数字人」，要换脸就进「高清换脸 / 直播换脸」。每页顶部都有说明，第一次用照着点就能跑。
成品统一保存在程序目录的 outputs 文件夹，历史记录里也能直接回听回看，拿去做剪辑或直接发布。
常见问题
这个整合包里到底有什么？
语音克隆、批量 TXT、SRT 转语音、批量合成 ZIP、语音转文字、有声书、多人对话、音频后处理、人声伴奏分离、BGM 混音、视频处理（字幕烧录/视频配音/音轨替换）、文本翻译、视频自动翻译配音、数字人、高清换脸、直播换脸、翻唱变声、文件夹监控、API 服务等 20 多个栏目，全部在一个界面里，功能会随版本继续增加。
数字人的音频驱动和视频驱动有什么区别？
音频驱动给的是"照片 + 音频"，照片里的人按音频开口说话；视频驱动给的是"照片 + 视频"，照片里的人照着视频里的动作和口型动起来；另外还有 InfiniteTalk 高清引擎，口型、头部动作、表情、身体姿态一起跟随，时长不限。三种都是照片里的人出镜，素材只是驱动来源。
视频翻译配音是怎么做的？
上传视频后，软件自动识别里面的说话内容、翻译成你指定的语言、再用选定的音色重新配音，最后输出配音好的视频和翻译字幕，全程本机完成。
人声伴奏分离能用来干什么？
可以把一首歌或一段带背景音乐的素材拆成人声和伴奏两条音轨，用于翻唱、二创、去伴奏。也可以先分离出干净人声，再拿去给数字人或语音克隆当参考音频——这一步很关键，带背景音乐会让口型乱动。
我的电脑能运行吗？
推荐 NVIDIA RTX 20 / 30 / 40 / 50 系列，3050 6G 起步体验更好。GTX 10 / 16 等老显卡会自动走兼容模型，能跑但帧率低一些；没有 NVIDIA 显卡的电脑可用 CPU 模式，速度较慢，适合先体验效果。
不会用、参数太多怎么办？
每个页面顶部都有说明，软件内还带完整「软件帮助」和「常见问题」，照着点就能跑。绝大多数功能用默认参数就是最佳效果。
照片和视频会上传到服务器吗？
不会。语音合成、识别、翻译、数字人、换脸全部在你本机完成，联网只用于授权校验。
API 服务是什么，有什么用？
在「API 服务」页一键启动后，会得到一个本机接口地址和接口文档，其他程序、脚本、网站可以直接调用你的语音合成能力，也可以选择允许局域网内的设备访问。适合接到自己的自动化流程里。
怎么购买和激活？
在购卡页左侧选择「YP AI 全能创作台」，选套餐、付款后会立刻拿到授权码，在软件里输入卡号激活即可。激活码首次使用时绑定这台电脑。
可以离线使用吗？
可以。授权校验完成后本机记住授权，之后到期前都能离线使用；断网不影响生成。