ebook2audiobook-电子书转有声书工具-开源项目

评论
1 views

ebook2audiobook 项目总结

该项目是由DrewThomasson开发、2025年8月3日发布v2.0.0版本的电子书转有声书工具，支持CPU/GPU运行，基于XTTSv2、Bark、Vits等多款TTS模型实现高质量转换，核心特点是生成带章节和元数据的有声书，且仅允许用于合法获取的非DRM电子书，目前有1051位项目成员，同时提供GUI可视化和命令行无头模式，适配多系统和硬件环境。

核心功能

  1. 智能章节拆分：自动将电子书拆分为章节，生成结构清晰的有声书，保留元数据信息；
  2. 多引擎高质量TTS：支持XTTSv2、BARK、VITS、Fairseq等多款TTS引擎，输出自然逼真的语音；
  3. 可选语音克隆：支持上传WAV格式语音文件实现克隆，对文件采样率（主流语言24000hz/其他22050hz）和时长（≤6秒）有明确要求；
  4. 超多语言支持：默认英语，总计支持1110+种语言/方言，含中、英、法、德、日、韩等，兼容ISO-639-1/3语言编码；
  5. 低门槛运行：最低仅需4GB内存即可运行，适配多种硬件处理器；
  6. 灵活定制化：支持上传自定义微调TTS模型包、调整语音生成参数（如语速、温度），可手动添加语音暂停（###/[pause]，1.4秒/次）；
  7. 双使用模式：提供Gradio可视化Web界面，也支持命令行无头模式，可批量转换电子书。

支持规格

1. 电子书输入&音频输出格式

  • 输入：支持epub、mobi、pdf、txt、html、docx等数十种格式，epub/mobi 格式的章节自动检测效果最佳；
  • 输出：生成m4b、mp3、flac、wav、ogg等十余种音频格式，所有输出文件均带章节和元数据。

2. 硬件要求

  • 内存：最低4GB RAM，推荐8GB；
  • 处理器：支持Intel/AMD/ARM架构CPU，Nvidia/Intel GPU（AMD GPU即将支持），Apple Silicon的MPS；
  • 其他：Windows系统使用Docker部署时需开启虚拟化，GPU转换速度远快于CPU（Nvidia GPU可实现近实时转换）。

安装与使用

1. 基础安装

先克隆项目仓库：git clone https://github.com/DrewThomasson/ebook2audiobook.git && cd ebook2audiobook，提供3种启动方式： - 脚本启动（推荐）：Linux/Mac执行./ebook2audiobook.sh，Windows执行ebook2audiobook.cmd，Mac还有专属可视化启动器； - 手动Python安装（仅专家）：需Python 3.12，安装calibre、ffmpeg等必备程序，再执行pip install -r requirements.txt && python app.py。

2. 核心使用方式

  • GUI模式：启动后访问http://localhost:7860即可可视化操作，加--share参数可生成公链分享；
  • 无头模式：通过命令行传参实现无界面转换，支持指定电子书路径、语音克隆文件、语言、自定义模型等，核心参数为--headless --ebook <文件路径>；
  • 参数查询：所有系统均可通过python app.py --help查看完整参数，支持指定输出目录/格式、选择TTS引擎、调整模型采样参数等。

Docker部署

项目提供完整的Docker支持，包含预构建镜像和自定义构建方案，适配CPU/GPU环境： 1. 预构建镜像运行：镜像地址为athomasson2/ebook2audiobook，latest标签基于CUDA11.8，CPU直接映射端口docker run --pull always --rm -p 7860:7860 athomasson2/ebook2audiobook，Nvidia GPU需加--gpus all； 2. 自定义构建：可通过--build-arg指定CUDA版本、跳过XTTS测试节省镜像空间； 3. Docker Compose：修改docker-compose.yml中GPU配置，一键启动docker-compose up -d； 4. 无头模式：需挂载本地输入/输出目录，容器内执行转换命令； 5. 常见问题解决：GPU检测失败参考项目Wiki、模型下载卡顿禁用进度条、参数错误移除多余命令后缀。

更新与回滚

  1. 更新：本地部署执行git pull，Docker部署拉取最新镜像docker pull athomasson2/ebook2audiobook:latest；
  2. 回滚：本地通过git checkout tags/版本号切换，Docker使用指定版本标签镜像athomasson2/ebook2audiobook:版本号。

常见问题与重要注意事项

  1. 仅允许处理合法获取的非DRM电子书，作者不承担滥用软件的法律后果；
  2. 因电子书无统一的章节/段落标准，转换前需手动移除无关文本；
  3. CPU转换速度较慢（服务器多核CPU效果更佳），优先推荐Nvidia GPU；
  4. 遇到依赖问题优先使用Docker部署，其为独立运行环境，无需额外配置；
  5. 若出现音频截断问题，可在项目提Issue帮助优化句子拆分逻辑；
  6. 脚本重启后需刷新GUI界面，重新建立连接；
  7. 自定义XTTSv2模型包需为ZIP格式，且包含config.json、model.pth等必备文件。

其他相关信息

  1. 模型微调：提供XTTSv2模型微调指导，支持去噪训练数据，项目有Hugging Face微调模型合集；
  2. 替代工具：作者另有基于piper-tts的工具，CPU转换速度更快，但无零样本语音克隆功能，语音质量为Siri级别；
  3. 社区支持：项目寻求各语言使用者帮助优化模型，同时开放了GPU租赁需求投票；
  4. 技术致谢：基于Coqui TTS、Calibre、FFmpeg等开源项目开发，感谢相关贡献者。