Finrandojin/alexandria-audiobook

AI-powered multi-voice audiobook generator — LLM script annotation, voice cloning, voice design, LoRA training, per-line style control, and export to MP3, chaptered M4B, or Audacity multi-track. Built on Qwen3-TTS.

Alexandria 音声小説生成ツール

何であるか – ローカルで実行可能なウェブアプリケーションで、プレーンテキストの本（.txt, .md, .epub）を完全なオーディオブックに変換します。LLM駆動のスクリプトアノテーションステップと組み込みの Qwen-3 テキスト・トゥ・スピーチ（TTS）エンジンを統合し、登場人物ごとに異なる合成音声を割り当て、スクリプトを1行ずつ編集可能にし、MP3、M4Bチャプターファイル、または Audacity 用の個別音声トラック（WAV）としてエクスポートできます。

コアワークフロー（5ステップパイプライン）

セットアップ – LLMサーバー（LM Studio、Ollama、OpenAI、または任意の OpenAI 互換API）を指定し、TTSモード（ローカルの Qwen3-TTS または外部の Gradio サーバー）を選択します。
スクリプト – 本をアップロード。LLMがJSON形式のスクリプトに解析し、登場人物のラベル付け、自然な発話表現の追加、TTS指示フィールドの提供を行います。オプションで「レビュー」用のLLMを2回目実行し、登場人物の誤認を修正します。
ボイス – 検出された登場人物ごとに以下の操作が可能です：
- 9種類の事前学習済みカスタムボイスから選択。
- 短い参照音声クリップからボイスをクローン。
- LoRAで微調整されたボイスアダプターを使用。
- VoiceDesigner を使ってテキスト記述からリアルタイムでボイスを生成（テキスト記述 → 合成ボイス）。
- パーソナの自動生成：LLMがボイスの記述を生成、VoiceDesignモデルが参照サンプルを生成、1クリックでクローンを登場人物に割り当て。
- 別名（例：YOUNG ELENA → ELENA）をマッピングし、複数の名前で同じボイスを使用可能。
エディタ – バッチレンダリング（GPU加速、サブバッチ処理、オプションの torch.compile で3〜4倍高速化）。個別チャンクの再生、テキスト/指示の編集、全体の再処理なしに特定チャンクの再レンダリングが可能。
結果 – 完成したオーディオブックをプレビュー後、以下の形式でダウンロード：
- 自然な間を含む1つのMP3。
- オーディオブックプレーヤー用のチャプターファイル（M4B）。
- 個別登場人物用WAVファイル、Audacityプロジェクト、マルチトラックインポート用ラベルファイルを含むZIP。

主な機能

LLM駆動のスクリプトアノテーション – 自動的な登場人物検出、会話抽出、TTS指示生成。
組み込みの Qwen3-TTS – ローカルで動作（外部TTSサーバー不要）で、9種類の準備済みボイスと完全な多言語対応（EN, ZH, FR, DE, IT, JA, KO, PT, RU, ES、または自動検出）。
ボイスクローン & LoRAトレーニング – 5〜15秒のサンプルから永続的なボイスアイデンティティを作成、またはインタラクティブデータセットビルダーでLoRAアダプターを微調整。
スマートなチャンク分割 & コンテキスト保持 – 登場人物ごとにラインをグループ化（最大500文字）、前回の3つのスクリプトエントリを引き継ぎ、スタイルの一貫性を維持。
バッチ処理 & GPU最適化 – サブバッチ処理、並列ワーカー、オプションの torch.compile、NVIDIA/AMD GPU向けのフラッシュアテンション。
ウェブUIエディタ – 任意の行を編集、選択的再レンダリング、ライブログの監視、即時オーディオプレビューが可能。
エクスポートの柔軟性 – MP3、チャプター付きM4B、Audacity対応マルチトラックパッケージ。

システム要件

コンポーネント	最低要件	推奨要件
GPU	8GB VRAM（CUDA-12.8互換NVIDIA、またはLinux上のAMD）	バッチサイズを快適に処理するため16GB以上
RAM	8GB	16GB
ディスク	約20GB（環境 + モデル重み）	–
OS	Windows、Linux、macOS（Apple SiliconではCPUのみ）	–
依存関係	Pinokioプラットフォーム（推奨）またはDocker、Python 3.10+、PyTorch、Qwen3-TTS重み（各バリアント約3.5GB）	–

インストール方法

方法	手順
A – Pinokio（推奨）	1. https://pinokio.computer/ から Pinokio をインストール。 2. Pinokioで「Pinokio経由でインストール」→ `https://github.com/Finrandojin/alexandria-audiobook` を貼り付け。 3. Start をクリック – ウェブUIが自動で開きます。
B – Google Colab	提供されたノートブックを開き、無料の ngrok トークンを入力して実行 – T4 GPUが自動割り当てられます。ローカルインストール不要。
C – Docker（NVIDIA GPU）	```bash
git clone https://github.com/Finrandojin/alexandria-audiobook.git
cd alexandria-audiobook
docker compose up --build
``` UIに `http://localhost:4200` でアクセス。

クイックスタートチェックリスト

LLMサーバーを起動（LM Studio、Ollama、またはOpenAI）し、ベースURLとAPIキーをメモ。
Alexandriaを起動（Pinokio/Docker/Colab経由）。
Setupタブで、LLMのURL、キー、モデル名（例：qwen2.5-14b）を入力。TTSモードを local に選択。
Scriptタブで本ファイルをアップロードし、Generate Annotated Script をクリック。
（オプション）Review Script をクリックして登場人物の誤りを修正。
Voicesに移動し、Generate Personas を押して自動でクローンボイスを割り当て、または手動でボイスを選択・カスタマイズ。
Editorに移動し、Render Pending を押下 – 進捗バーを監視し、プレビュー音声を聴く。
満足したら Merge All をクリックし、Result → Download で必要な形式をダウンロード。

ヘルプの入手先

Wiki – ボイスタイプ、LoRAトレーニング、バッチチューニング、トラブルシューティングに関する詳細ガイド。
ターミナルログ – Pinokioのターミナルにはモデルのダウンロード進捗、VRAM使用量、エラーメッセージが表示されます。
よくある問題 – GPUメモリエラー、ダウンロードの停止、最初のバッチのウォームアップ遅延などについては Troubleshooting ページを参照。

ライセンス & コミュニティ

リポジトリはオープンソース（MITライセンス風 – リポジトリ内の LICENSE を参照）。プルリクエストによる貢献を歓迎。問題報告も受け付けていますが、リソースが限られているため応答が遅れる可能性があります。

結論 – Alexandriaは、LLMによるスクリプト生成、複数登場人物の音声合成、インタラクティブな編集、柔軟なエクスポートを1つのウェブUIに統合した、コンシューマークラスGPUで動作するオーディオブック作成パイプラインです。趣味の読書家、ポッドキャスター、または商用TTSサービスに料金を払いたくないすべての人々を対象としています。