estebanstifli/LocalText2Voice

A complete local production workflow for clean narration, structured learning content, and podcast-ready audio

LocalText2Voice – 是什么

LocalText2Voice 是一款免费的开源桌面应用程序，可将长篇文本（书籍、课程、文章、笔记等）转换为语音音频文件。它在 Windows 和 Linux 上运行，可完全离线使用本地安装的文本转语音（TTS）模型，也可可选调用 OpenAI、ElevenLabs、Google Gemini 或 Azure Speech 等云端 TTS 服务。

为什么重要

隐私优先 – 使用本地引擎时，您的源文本永远不会离开您的计算机。
无需订阅 – 所有核心功能均可使用免费下载的模型运行；云端 API 为可选。
专为长篇内容设计 – 工作流支持章节、标题和大文档，将其拆分为安全的块以确保可靠生成。
质量控制循环 – 可选的 Faster-Whisper 步骤可转录生成的音频，与原始文本对比，标记不匹配项以供审查或自动重试。
播客就绪输出 – 叙述完成后，可添加背景音乐，应用淡入淡出、音量压制，并导出单个精炼文件。

核心工作流程（11 步）

导入文本 – 粘贴或加载 .txt、.md、*.docx 文件。
可选正则化 – 应用语言特定词典，使文本发音更友好。
智能分块 – 应用程序将文档拆分为段落感知的片段。
LTV 标记（可选） – 在源文本中嵌入命令，如 {{voice "Emma"}}、{{pause 900ms}}、{{speed 0.9}}。
TTS 生成 – 选择本地引擎（Piper、Kokoro、Chatterbox、Qwen3-TTS、OmniVoice、可选 F5-TTS 俄语）或云端 API；引擎按片段运行。
清理叙述 – 生成的 WAV 文件合并为单个音频文件（M4B、MP3、M4A、Opus、FLAC、OGG）。
可选 Whisper 审查 – Faster-Whisper 转录每个片段，计算相似度/WER，并标记需审批或重试的片段。
手动/自动修复 – 编辑、重新生成或修剪有问题的片段。
字幕导出 – 使用 Whisper 时间戳生成 .srt 或卡拉OK风格的 .ass 文件。
音频混音 – 添加背景音乐，设置音量（dB）、设置开头/结尾偏移、启用音量压制，并进行响度归一化，无需重新运行 TTS。
导出 – 最终音频（及可选字幕、项目元数据、封面图）写入磁盘。

主要功能

功能	说明
模块化 TTS 引擎	支持多种本地模型（Piper、Kokoro、Chatterbox、Qwen3-TTS、OmniVoice、F5-TTS 俄语）和云端 API。模型按需下载，并在独立运行时中隔离。
语音库与克隆	浏览目录，下载 Piper 语音，或从短参考录音克隆新语音（Chatterbox、OmniVoice、F5-TTS）。
LTV 标记	内联命令，用于切换语音、语言、暂停长度、速度、音量或传递模型特定指令。
文本正则化	语言特定词典（阿拉伯语、中文、英语、…、俄语），在 TTS 前重写数字、日期、货币等。
Whisper 审查	Faster-Whisper 可转录生成音频，与源文本对比，计算相似度分数，并自动重试低质量片段。
字幕生成	生成 `.srt` 和逐字 `.ass` 文件，时间偏移正确，适用于混音。
音频混音页	添加背景音乐，控制 dB 级音量，设置开头/结尾偏移，启用音量压制，并进行响度归一化，适用于播客分发。
批量有声书	队列多个书籍，分配独立封面/音乐，支持暂停/恢复/重试，顺序生成。
项目持久化	所有项目数据（元数据、片段列表、语音选择、Whisper 分数、时间戳）存储在 SQLite 中，并通过便携式清单文件，便于重新打开或未来扩展。

支持平台与要求

Windows 10/11（64 位） – 官方安装包（LocalText2Voice-Setup.exe）。
Linux（64 位） – 从源码运行；需 Python 3.10+、虚拟环境，且 FFmpeg 在 PATH 中。
macOS – 尚未正式支持。
硬件 – 4 核 CPU、8 GB RAM 可运行轻量级引擎；GPU（NVIDIA CUDA）为可选，但可加速 Chatterbox、Qwen3-TTS、OmniVoice 等大模型。

许可与成本

应用程序 – MIT 许可证，完全免费。
本地模型 – 运行免费，但每个模型遵循其上游许可证（如 OmniVoice 为 CC-BY-NC，F5-TTS 俄语为非商业 CC-BY-NC 4.0）。
云端 API – 可选；使用由提供商计费。

快速入门（Windows）

从 发布页面 下载最新安装包。
运行安装程序，选择应用文件夹和用于 AI 资产的独立 data 文件夹。
选择设置配置文件 – CPU 轻量（Piper）或 强大 GPU（OmniVoice + Faster-Whisper）。
打开 设置 → TTS 引擎，安装所需引擎并下载语音。
粘贴或导入文本，点击 生成音频，（若启用）审查 Whisper 结果。
使用 音频混音 选项卡添加音乐并导出最终文件。

谁会使用它？

作者与教育者：希望无需支付商业 TTS 服务费用即可自出版有声书或讲座录音。
播客制作者：寻找一种保护隐私的方式生成叙述并混音背景音乐。
开发者与爱好者：对实验开源 TTS 模型和构建自定义语音管道感兴趣的人。

总结：LocalText2Voice 将长篇文本转换为高质量语音内容的完整、以离线优先的管道，支持可选云端回退、Whisper 质量控制，以及内置播客混音工具——全部基于 MIT 许可、社区驱动的代码库。