lukaszliniewicz/Pandrator

解決する課題

Pandratorは、オーディオブック、字幕、ナレーションを作成するための統合ワークスペースです。テキストから音声へ、あるいは音声からテキストへの変換という複雑なプロセスを効率化し、ブラウザベースの単一インターフェース上で、複数のAIモデルやプロバイダーを横断してコンテンツの確認、洗練、翻訳を行うことができます。

仕組み

このシステムはPythonバックエンドとSvelteフロントエンドを使用しています。さまざまなタスクのために、多種多様なローカルおよびクラウドベースのAIエンジンを統合しています：

• 音声生成 (TTS)： audio.cpp（Qwen3 TTS、Fish Audio S2 Proなどのモデルを含む）、Kokoro、Sileroといったローカルエンジンに加え、OpenAI、ElevenLabs、Google Geminiなどのクラウドプロバイダーをサポートしています。
• 文字起こし (ASR)： CrispASR (Whisper, Parakeet) や Qwen3 ASR などのローカルツール、または Azure Speech などのクラウドサービスを使用します。
• 文字起こし/翻訳： LLM（OpenAI、Anthropic、Ollamaなどを経由）とDeepLを統合し、テキストのクリーンアップ、翻訳、音声最適化を行います。
• MCP 統合： Model Context Protocol (MCP) をサポートしており、外部のAIエージェント（Claude Codeなど）がPandratorのワークフロー内で直接言語処理タスクを実行できるようにします。

対象ユーザー

• コンテンツクリエイター： ドキュメント（PDF、EPUBなど）からオーディオブックを作成したり、同期された音声で動画に吹き替えを行いたい方。
• 翻訳者・字幕制作者： 音声/動画の文字起こしや字幕翻訳を行い、タイミングやキューの整合性を維持する必要がある方。
• オーディオエンジニア： 文字起こしから録音カットを計画し、編集済み動画をレンダリングしたい方。

主な特徴

• 包括的なフォーマットサポート： TXT、PDF、EPUB、DOCX、MOBIのインポートに対応し、WAV、MP3、Opus、FLAC、M4Bへのエクスポートが可能です。
• 柔軟なコンピューティング： プライバシーとコストのためにモデルをローカルで実行することも、ハイエンドなパフォーマンスのためにクラウドAPIに接続することも可能です。
• 言語ツール： OCR、チャプター検出、用語集対応の翻訳、発音調整機能が含まれています。
• エージェントワークフロー： パッシブなMCPディスパッチにより、既存のAIアシスタントがバッチ処理、結果の検証、中断されたタスクの再開を行うことができます。