阅读全文

⭐⭐⭐ Spring Boot 项目实战	⭐⭐⭐ Spring Cloud 项目实战
《Dubbo 实现原理与源码解析 —— 精品合集》	《Netty 实现原理与源码解析 —— 精品合集》
《Spring 实现原理与源码解析 —— 精品合集》	《MyBatis 实现原理与源码解析 —— 精品合集》
《Spring MVC 实现原理与源码解析 —— 精品合集》	《数据库实体设计合集》
《Spring Boot 实现原理与源码解析 —— 精品合集》	《Java 面试题 + Java 学习指南》

摘要: 原创出处 http://www.iocoder.cn/Fight/abogen-ebook-to-audiobook/ 「芋道源码」欢迎转载，保留摘要，谢谢！

• 拖进去之后，它会做什么
• 字幕的粒度和时间轴
• 声音可以自己调
• 一次排一队，出错只重跑一章
• 两个界面，功能不一样多
• 两行命令跑起来
• 它还不够精致的地方

---

🙂🙂🙂关注微信公众号：【芋道源码】有福利：

1. RocketMQ / MyCAT / Sharding-JDBC 所有源码分析文章列表
2. RocketMQ / MyCAT / Sharding-JDBC 中文注释源码 GitHub 地址
3. 您对于源码的疑问每条留言都将得到认真回复。甚至不知道如何读源码也可以请教噢。
4. 新的源码解析文章实时收到通知。每周更新一篇左右。
5. 认真的源码交流微信群。

---

把 EPUB 或者 PDF 拖进一个窗口，出来的是音频，还附一份带时间轴的字幕。这件事 Abogen 做得到，底层跑的是 Kokoro-82M，MIT 协议，Python 写的，仓库现在六千多 Star。名字是 audiobook generator 的缩写，作者起得很直白。

拖进去之后，它会做什么

输入这一侧能吃的东西比想象中多，除了 ePub 和 PDF，TXT、Markdown、SRT、ASS、VTT 都能直接投进去。桌面端是 PyQt6 写的，界面不花哨，拖进去之后调语速、挑声音、选输出格式，点 Start 就开始跑。

官方 README 里挂了一段实录，处理大约三千字用了十一秒，产出三分二十八秒的音频，而且明说机器是一台低端 RTX 2060 Mobile 笔记本。没有独显也能跑，速度慢一些而已。

输出格式给了五种。WAV 和 FLAC 是无损，MP3 最通用，OPUS 官方标注压缩最好、体积最小、音质损失不明显，M4B 是带章节信息的苹果有声书格式，往 iPhone 或者 Audiobookshelf 里推就选它。语速可以从 0.1 倍拉到 2.0 倍。

字幕的粒度和时间轴

字幕这边可调的地方不少。可以按行切，按句子切，按句子加逗号切，还能按单词数切，比如一个词一条、两个词一条。另外有个句子高亮模式，读到哪里亮到哪里，做视频配音的时候直接能用。

两条限制得提前知道。单词级字幕只对英文有效，因为 Kokoro 只给英文输出了时间戳 token，其他语言走句子和逗号拆分的路子，中文用起来差别不大，只是单条字幕会稍长一点。

另一条是英文断句。它内置 spaCy 做句子边界检测，专门处理 Mr.、Dr. 这种缩写，不开的话它见到句号就切，切出来很碎。这个开关在设置里默认是关的，处理英文内容记得手动打开。

声音可以自己调

语音混音器是这个项目里不太常见的一块。它允许把不同的 Kokoro 语音按权重叠在一起，调出一个属于自己的音色，调完存成 profile，下次直接选，不用重调。

可选语言有九种，美式英语、英式英语、西班牙语、法语、印地语、意大利语、日语、巴西葡萄牙语和中文普通话。日语与中文要多装一个 misaki 包，每种语言下面男女声都有。生成之前还能先试听一遍。

一次排一队，出错只重跑一章

队列模式解决的是批量问题。txt 和字幕文件直接往队列里拖，PDF 和 EPUB 从主窗口点 Add to Queue 塞进去。

有个设计挺实用，每个文件绑的是它加入队列那一刻的设置，之后改主窗口配置不会影响已经排好的项。想强制所有文件用同一套配置，打开 Override 就行。鼠标悬停能看到每个文件绑了什么参数。

处理 ePub、PDF 和 Markdown 的时候，它会自动插入章节标记，把一本书拆成一章一个音频文件。

这样某一章出错的时候只需要重跑那一章，不必整本重来。纯文本里自己手写这些标记也认。M4B 还支持元数据标签，标题、作者这些字段写进文本开头，封面图会自动从 ePub 和 PDF 里提出来嵌进去。txt 里每段前面写 HH:MM:SS 时间码也行，它会按这个时间轴出音频。

两个界面，功能不一样多

命令行敲 abogen-web，浏览器打开 localhost:8808，这是 Flask 写的 Web 界面，也是目前功能最全的一个。

它比桌面端多三样东西。第一样是 Supertonic TTS，多一个合成引擎可选。

第二样是 LLM 文本规范化，把 don’t、can’t、I’ll 这类缩写先交给大模型处理再送进 TTS，接本地 Ollama 或 OpenAI 的 API 都行，开不开这一项发音差别比较明显。第三样是 Audiobookshelf 直连，填好地址、库 ID、目标文件夹和 API Token，生成的音频直接推进书库。前面要是套了 Nginx Proxy Manager，记得在 Advanced 里补上 proxy_set_header，header 丢了上传会失败。

官方 README 里有一张接口对照表，讲得很直白，桌面版是稳定但较旧的界面，Web 版走在前面，新功能还没接回桌面端。Web 版另外还提供 JSON 端点，方便接进自己的工作流。

两行命令跑起来

Windows 上没有 Python 环境的话，仓库里有个 WINDOWS_INSTALL.bat，双击跑完依赖就装好了。macOS 先装 espeak-ng，再用 uv 安装。

brew install espeak-ng
uv tool install --python 3.12 abogen

Apple Silicon 的机器还要额外装带 MPS 支持的 Kokoro 开发版。Linux 上 NVIDIA 不用单独装 CUDA，AMD 走 ROCm。

不想在本机凑 Python 环境也可以走容器，官方给了镜像和环境变量，端口默认还是 8808，上传的文件落在 data/uploads，产出的音频与字幕落在 data/outputs，Docker Compose 默认启用 GPU。

想跑 Web 界面就用这条。

abogen-web

然后在浏览器打开 http://localhost:8808 。想跑桌面端换成 abogen 就行。另有 abogen-cli 是命令行模式，启动报错的时候用它能看到详细日志。

它还不够精致的地方

已知的毛刺有几个。桌面端和 Web 端的能力还不一样多，同一个工具两套界面，同时用会像在用两个软件。单词级字幕中文用不了，这是 Kokoro 的模型限制，不是实现问题。

项目的活跃度还行，issue 有人回、PR 有人合。Roadmap 里已经划掉的有章节元数据、语音混音和深色模式，还挂着的是 PDF 扫描件的 OCR、界面多语言，以及可选的 kokoro-onnx 后端。

值不值得用，看你要的是哪一件事。要做有声书、配音素材或者带字幕的音频，它已经够用，能拖 EPUB、能吃 PDF、能批量跑、能接书库、还能让大模型帮忙清洗文本。

我最看重的是它没有停在文本转语音这一步。它开始处理生成之后那些事，章节、元数据、队列、日志、书库。这些地方不出问题的时候没人在意，一旦要返工，代价全在这儿。仓库在 https://github.com/denizsafak/abogen

图片待确认

TODO @芋艿：IMG-009 为外部账号的关注引导长图，等待决定是否使用；原图已保存在本次来源目录中。此项不影响正文与精进 Markdown 的录入。