estebanstifli/LocalText2Voice

解决的问题

LocalText2Voice 是一款专为长篇 AI 语音和视频制作设计的桌面应用程序。它解决了将大量文本（如书籍、课程和脚本）转换为高质量有声书、播客、纪录片和动画视频的困难，无需昂贵的订阅或仅依赖云端服务。

工作原理

此应用程序提供完整的制作流程：用户导入文本（TXT、MD、DOCX 或 EPUB），应用可选的标记来控制语音和节奏，并使用本地或云端 TTS 引擎生成旁白。工作流程包含审查循环，使用 Faster Whisper 将生成的音频与原始文本进行比对。在视频制作方面，“视频分镜”功能会分析旁白以识别场景和角色，让用户生成或导入视觉素材，并渲染最终的 MP4 视频。

目标用户

专为长篇内容创作者打造，包括制作有声书的作者、创建图文课程的教育者，以及需要注重隐私、可离线工作的旁白和视频组装工具的电影制作人或播客创作者。

亮点

• 混合 TTS 架构：支持多种本地引擎（Piper、Kokoro、Chatterbox、Qwen3 TTS、OmniVoice、F5-TTS）和云端 API（OpenAI、ElevenLabs、Gemini、Azure）。
• 视频分镜：测试版工具，可将旁白转换为视觉时间线，包含场景分析、角色连续性和批量视频生成。
• 隐私优先：本地引擎将所有文本和音频数据保留在用户的计算机上。
• 长篇优化：专门设计用于处理章节和大型文档，并支持 M4B 有声书导出。
• 音频混音：包含添加背景音乐的工具，具有侧链压缩和淡入淡出，可达到播客级效果。
• MCP 集成：通过 Model Context Protocol (MCP) 工具自动化视频分镜工作流程。