lukaszliniewicz/Pandrator

解决的问题

Pandrator 是一个用于制作有声书、字幕与配音的整合式工作空间。它简化了将文字转为语音或将音频转为文字的复杂流程，让使用者能在单一浏览器界面中，跨多个 AI 模型与供应商检阅、精炼并翻译内容。

运作方式

该系统采用 Python 后端与 Svelte 前端。它整合了多种本地与云端 AI 引擎来执行不同任务：

• 语音生成 (TTS)： 支持本地引擎如 audio.cpp（包含 Qwen3 TTS、Fish Audio S2 Pro 等模型）、Kokoro 与 Silero，以及 OpenAI、ElevenLabs 与 Google Gemini 等云端供应商。
• 转录 (ASR)： 使用本地工具如 CrispASR (Whisper, Parakeet) 与 Qwen3 ASR，或 Azure Speech 等云端服务。
• 转录/翻译： 整合 LLM（通过 OpenAI、Anthropic、Ollama 等）与 DeepL 进行文字清理、翻译与语音优化。
• MCP 整合： 支持 Model Context Protocol (MCP)，允许外部 AI 代理（如 Claude Code）直接在 Pandrator 的工作流程中执行语言处理任务。

目标客群

• 内容创作者： 将文件（PDF、EPUB 等）制作成有声书，或为视频进行同步配音的人士。
• 翻译与字幕工作者： 需要转录音频/视频并翻译字幕，同时维持时间轴与提示标记的人士。
• 音频工程师： 希望从转录稿规划录音剪辑并渲染编辑后视频的使用者。

特色亮点

• 全面的格式支持： 导入 TXT、PDF、EPUB、DOCX 与 MOBI；导出 WAV、MP3、Opus、FLAC 与 M4B。
• 弹性运算： 可在本地执行模型以确保隐私与节省成本，或连接云端 API 以获得高性能表现。
• 语言工具： 包含 OCR、章节检测、术语表感知翻译与发音调整。
• 代理工作流程： 被动式 MCP 调度允许现有的 AI 助理处理批次工作、验证结果并恢复中断的任务。