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 有声书生成器

是什么 – 一个可在本地运行的网页应用程序，可将纯文本书籍（.txt、.md、.epub）转换为功能完整的有声书。它将 LLM 驱动的脚本注释步骤与内置的 Qwen-3 文本转语音（TTS）引擎结合，允许您为每个角色分配不同的合成语音，逐行编辑脚本，并将结果导出为单个 MP3、带章节的 M4B 文件，或用于 Audacity 的每角色 WAV 轨道。

核心工作流程（5步流水线）

设置 – 指定一个 LLM 服务器（LM Studio、Ollama、OpenAI 或任何 OpenAI 兼容 API），并选择 TTS 模式（本地 Qwen3-TTS 或外部 Gradio 服务器）。
脚本 – 上传书籍；LLM 将其解析为 JSON 脚本，标注说话人、添加自然语音表达，并提供 TTS 指令字段。可选的第二轮“审查”LLM 用于清理归属错误。
声音 – 对每个检测到的角色，您可以：
- 从九种预训练的自定义声音中选择一种。
- 从一段短参考音频中克隆声音。
- 使用 LoRA 微调的声音适配器。
- 使用 VoiceDesigner 实时生成声音（文本描述 → 合成声音）。
- 自动生成角色：LLM 创建声音描述，VoiceDesign 模型生成参考样本，单击即可将克隆声音关联到角色。
- 映射别名（例如 YOUNG ELENA → ELENA），使多个名称共享同一声音。
编辑器 – 批量渲染所有片段（GPU 加速，子批处理，可选 torch.compile 提升 3-4 倍速度）。您可以收听、编辑文本/指令，或仅重新渲染单个片段而无需重新处理整本书。
结果 – 预览完成的有声书，然后下载：
- 一个带有自然停顿的 MP3。
- 用于有声书播放器的带章节 M4B 文件。
- 包含每角色 WAV 文件、Audacity 项目和多轨导入标签文件的 ZIP 包。

突出功能

LLM 驱动的脚本注释 – 自动说话人检测、对话提取和 TTS 指令生成。
内置 Qwen3-TTS – 本地运行（无需外部 TTS 服务器），提供 9 个现成声音，支持全语言（EN、ZH、FR、DE、IT、JA、KO、PT、RU、ES 或自动检测）。
声音克隆与 LoRA 训练 – 从 5-15 秒样本创建持久声音身份，或通过交互式数据集构建器微调 LoRA 适配器。
智能分块与上下文保留 – 按说话人分组（≤500 字符），并保留前三个脚本条目以保持风格一致。
批量处理与 GPU 优化 – 子批处理、并行工作线程、可选 torch.compile、NVIDIA/AMD GPU 的闪存注意力（flash-attention）。
Web UI 编辑器 – 可编辑任意行，选择性重新渲染，实时查看日志，即时预览音频。
导出灵活性 – 支持 MP3、带章节的 M4B，或 Audacity 就绪的多轨包。

系统要求

组件	最低要求	推荐配置
GPU	8 GB VRAM（任何 CUDA-12.8 兼容 NVIDIA，或 Linux 上的 AMD）	批处理大小舒适运行建议 16 GB+
RAM	8 GB	16 GB
磁盘	~20 GB（环境 + 模型权重）	–
操作系统	Windows、Linux、macOS（Apple Silicon 上仅 CPU）	–
依赖项	Pinokio 平台（推荐）或 Docker、Python 3.10+、PyTorch、Qwen3-TTS 权重（每变体约 3.5 GB）	–

安装选项

方法	步骤
A – Pinokio（推荐）	1. 从 https://pinokio.computer/ 安装 Pinokio。 2. 在 Pinokio 中点击 Install via Pinokio → 粘贴 `https://github.com/Finrandojin/alexandria-audiobook`。 3. 点击 Start – 网页 UI 将自动打开。
B – Google Colab	打开提供的笔记本，提供免费 ngrok 令牌并运行 – 系统将为您分配一个 T4 GPU。无需本地安装。
C – Docker（NVIDIA GPU）	```bash
git clone https://github.com/Finrandojin/alexandria-audiobook.git
cd alexandria-audiobook
docker compose up --build
``` 在 `http://localhost:4200` 访问 UI。

快速启动检查清单

运行 LLM 服务器（LM Studio、Ollama 或 OpenAI），并记下其基础 URL 和 API 密钥。
通过 Pinokio/Docker/Colab 启动 Alexandria。
在 Setup 选项卡中，输入 LLM URL、密钥和模型名称（例如 qwen2.5-14b）。选择 TTS 模式 = local。
在 Script 选项卡上传书籍文件，点击 Generate Annotated Script。
（可选）点击 Review Script 以清理说话人错误。
切换到 Voices，点击 Generate Personas 自动分配克隆声音，或手动选择/自定义声音。
进入 Editor，点击 Render Pending – 观察进度条并收听预览片段。
满意后，点击 Merge All，然后 Result → Download 所需格式。

如何获取帮助

Wiki – 详细指南涵盖声音类型、LoRA 训练、批量调优和故障排除。
终端日志 – Pinokio 的终端显示模型下载进度、VRAM 使用情况和错误信息。
常见问题 – 请参阅 Troubleshooting 页面了解 GPU 内存错误、下载卡顿和首次批量预热延迟等问题。

许可与社区

该仓库为开源（MIT 风格许可 – 请参阅仓库中的 LICENSE）。欢迎通过拉取请求贡献；接受问题报告，但维护者指出由于资源有限，响应时间可能较慢。

总结 – Alexandria 将整个有声书制作流程——LLM 脚本生成、多角色语音合成、交互式编辑和灵活导出——整合到一个可在消费级 GPU 上运行的单一 Web UI 中。它面向爱好者、播客制作者以及任何希望将文本转化为精美、完整配音有声书而不必支付商业 TTS 服务费用的人。