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 有聲書生成器

是什麼 – 一個可在本地執行的網頁應用程式，可將純文字書籍（.txt、.md、.epub）轉換為功能完整的有聲書。它結合 LLM 驅動的腳本註解步驟與內建的 Qwen-3 文字轉語音（TTS）引擎，讓您為每個角色分配不同的合成語音，逐行編輯腳本，並以單一 MP3、帶章節的 M4B 檔案，或 Audacity 專用的每角色 WAV 軌道格式匯出結果。

核心工作流程（5步流程）

設定 – 指定一個 LLM 伺服器（LM Studio、Ollama、OpenAI 或任何 OpenAI 相容 API），並選擇 TTS 模式（本地 Qwen3-TTS 或外部 Gradio 伺服器）。
腳本 – 上傳書籍；LLM 將其解析為 JSON 腳本，標記說話人、加入自然語音表現，並提供 TTS 指令欄位。可選的第二輪「審查」LLM 可清理歸屬錯誤。
聲音 – 對每個偵測到的角色，您可以：
- 從九種預訓練的自訂聲音中選擇一種。
- 從一段短參考音訊中克隆聲音。
- 使用 LoRA 微調的聲音適配器。
- 使用 VoiceDesigner 即時生成聲音（文字描述 → 合成聲音）。
- 自動生成角色：LLM 建立聲音描述，VoiceDesign 模型產生參考樣本，單擊即可將克隆聲音關聯至角色。
- 建立別名對應（例如 YOUNG ELENA → ELENA），讓多個名稱共享同一聲音。
編輯器 – 批次渲染所有片段（GPU 加速、子批次、可選 torch.compile 提升 3-4 倍速度）。您可以聆聽、編輯文字/指令，或僅重新渲染單一片段而無需重新處理整本書。
結果 – 預覽完成的有聲書，然後下載：
- 一個帶自然停頓的 MP3。
- 用於有聲書播放器的帶章節 M4B 檔案。
- 包含每角色 WAV 檔案、Audacity 專案與多軌匯入標籤檔案的 ZIP 包。

重點功能

LLM 驅動的腳本註解 – 自動說話人偵測、對話擷取與 TTS 指令生成。
內建 Qwen3-TTS – 本地運行（無需外部 TTS 伺服器），提供 9 種現成聲音，支援全語言（EN、ZH、FR、DE、IT、JA、KO、PT、RU、ES 或自動偵測）。
聲音克隆與 LoRA 訓練 – 從 5-15 秒樣本建立持久聲音身分，或透過互動式資料集建構器微調 LoRA 適配器。
智慧分塊與上下文保留 – 按說話人分組（≤500 字元），並保留前三個腳本項目以維持風格一致。
批次處理與 GPU 優化 – 子批次、平行工作執行、可選 torch.compile、NVIDIA/AMD GPU 的閃光注意力（flash-attention）。
Web UI 編輯器 – 可編輯任意行，選擇性重新渲染，即時監看日誌，即時預覽音訊。
匯出彈性 – 支援 MP3、帶章節的 M4B，或 Audacity 就緒的多軌套件。

系統需求

組件	最低要求	推薦配置
GPU	8 GB VRAM（任何 CUDA-12.8 相容 NVIDIA，或 Linux 上的 AMD）	批次大小舒適運行建議 16 GB+
RAM	8 GB	16 GB
磁碟	~20 GB（環境 + 模型權重）	–
作業系統	Windows、Linux、macOS（Apple Silicon 上僅 CPU）	–
相依性	Pinokio 平台（推薦）或 Docker、Python 3.10+、PyTorch、Qwen3-TTS 權重（每變體約 3.5 GB）	–

安裝選項

方法	步驟
A – Pinokio（推薦）	1. 從 https://pinokio.computer/ 安裝 Pinokio。 2. 在 Pinokio 中點選 Install via Pinokio → 貼上 `https://github.com/Finrandojin/alexandria-audiobook`。 3. 點選 Start – 網頁 UI 將自動開啟。
B – Google Colab	開啟提供的筆記本，提供免費 ngrok 金鑰並執行 – 系統將為您分配 T4 GPU。無需本地安裝。
C – Docker（NVIDIA GPU）	```bash
git clone https://github.com/Finrandojin/alexandria-audiobook.git
cd alexandria-audiobook
docker compose up --build
``` 於 `http://localhost:4200` 訪問 UI。

快速啟動檢查清單

執行 LLM 伺服器（LM Studio、Ollama 或 OpenAI），並記下其基礎 URL 和 API 金鑰。
透過 Pinokio/Docker/Colab 啟動 Alexandria。
在 Setup 頁籤中，輸入 LLM URL、金鑰與模型名稱（例如 qwen2.5-14b）。選擇 TTS 模式 = local。
在 Script 頁籤上傳書籍檔案，點選 Generate Annotated Script。
（可選）點選 Review Script 以清理說話人錯誤。
切換至 Voices，按 Generate Personas 自動分配克隆聲音，或手動選擇/自訂聲音。
進入 Editor，按 Render Pending – 觀察進度條並聆聽預覽片段。
滿意後，點選 Merge All，再點選 Result → Download 所需格式。

如何取得協助

Wiki – 詳細指南涵蓋聲音類型、LoRA 訓練、批次調校與故障排除。
終端機日誌 – Pinokio 的終端機顯示模型下載進度、VRAM 使用量與錯誤訊息。
常見問題 – 請參閱 Troubleshooting 頁面了解 GPU 記憶體錯誤、下載中斷與首次批次預熱延遲等問題。

授權與社群

此倉儲為開源（MIT 風格授權 – 請參閱倉儲中的 LICENSE）。歡迎透過拉取請求貢獻；接受問題回報，但維護者指出因資源有限，回應時間可能較慢。

總結 – Alexandria 將整個有聲書製作流程——LLM 腳本生成、多角色語音合成、互動式編輯與彈性匯出——整合至一個可在消費級 GPU 上執行的單一 Web UI 中。它針對愛好者、播客製作者，以及任何希望將文字轉化為精美、完整配音有聲書而不必支付商業 TTS 服務費用的人。