\
La banda sonora original, puede estar en 1 pista (monofónica) 2, (stéreo) o multipistas. Aunque en un video normalmente solo hay uno o 2 canales.
La voz puede estar mezclada, combinada, en la banda mono, en una de las dos stéreos, o en una de multipistas.
Si esta mezclada dificilmente lo vas a poder separar del audio instrumental. Es como intentar separar la leche de un café con leche ya servido. (Disculpa la burda comparación).
Asi que si lo que tienes es un video con audio en 1 ó 2 canales, si la voz está en uno sólo podría hacerse algo pero si esta en los dos, o el sonido es monofónico, pues nada se puede hacer, al menos sin degradar el resto del audio.
Puedes intentar buscar la música original y con la voz en español, reemplazar por completo el audio original.