richardr1126/openreader

解决的问题

OpenReader 提供了一种可自我托管的方式，将文档（EPUB、PDF、TXT、MD 和 DOCX）转换为同步的有声书。它解决了需要通过文本转语音（TTS）访问多种不同文档格式的问题，并提供精确的逐字高亮，以实现同步阅读体验。

工作原理

该系统使用计算工作器控制平面（基于 NATS JetStream）来处理繁重的任务。它采用基于 PP-DocLayoutV3（ONNX）的布局感知 PDF 解析技术，实现结构化区块检测和跨页拼接。在同步方面，使用 ONNX Whisper 对齐技术实现逐字高亮。音频在后台逐步生成，用户可以在首个音段准备就绪时立即开始收听，而工作器则继续处理文档的其余部分。

适用人群

专为希望拥有私有、自我托管的文档阅读器，并具备高质量 TTS 叙述和同步高亮功能的用户设计，同时也适合希望将文档导出为 M4B 或 MP3 有声书的用户。

主要亮点

• 多提供者 TTS 支持：支持自托管的 OpenAI 兼容服务器（如 Kokoro-FastAPI）或云 API（OpenAI、Replicate、DeepInfra）。
• 渐进式播放：音频在后台生成，因此一旦首个音段准备就绪即可立即开始收听。
• 高级 PDF 解析：使用布局感知解析，确保跨页的精确同步阅读。
• 广泛格式支持：支持 EPUB、PDF、TXT、MD 和 DOCX。
• 有声书导出：可将缓存的音频组合为 M4B 或 MP3 文件。
• 自我托管灵活性：支持 Docker、S3 兼容存储以及多种数据库选项（SQLite 或 Postgres）。