estebanstifli/LocalText2Voice

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

LocalText2Voice – 是什麼

LocalText2Voice 是一款免費的開源桌面應用程式，可將長篇文字（書籍、課程、文章、筆記等）轉換為語音音訊檔案。它在 Windows 與 Linux 上運作，可完全離線使用本地安裝的語音合成（TTS）模型，亦可選擇性呼叫 OpenAI、ElevenLabs、Google Gemini 或 Azure Speech 等雲端 TTS 服務。

為何重要

隱私優先 – 使用本地引擎時，您的原始文字永遠不會離開您的電腦。
無需訂閱 – 所有核心功能皆可使用免費下載的模型運作；雲端 API 為可選。
專為長篇內容設計 – 工作流程支援章節、標題與大文件，自動拆分為安全的區塊以確保可靠生成。
品質控制迴圈 – 可選的 Faster-Whisper 步驟可轉錄生成的音訊，與原始文字比對，標記不一致項目以供審查或自動重試。
播客就緒輸出 – 叙述完成後，可加入背景音樂，套用淡入淡出、音量壓制，並匯出單一精緻檔案。

核心工作流程（11 步）

匯入文字 – 貼上或載入 .txt、.md、*.docx 檔案。
可選正規化 – 套用語言特定詞典，使文字發音更自然。
智慧分塊 – 應用程式將文件拆分成段落感知的片段。
LTV 標記（可選） – 在原始文字中嵌入指令，如 {{voice "Emma"}}、{{pause 900ms}}、{{speed 0.9}}。
TTS 生成 – 選擇本地引擎（Piper、Kokoro、Chatterbox、Qwen3-TTS、OmniVoice、可選 F5-TTS 俄語）或雲端 API；引擎依片段運行。
清潔敘述 – 生成的 WAV 檔案合併為單一音訊檔案（M4B、MP3、M4A、Opus、FLAC、OGG）。
可選 Whisper 審查 – Faster-Whisper 轉錄每個片段，計算相似度/WER，並標記需審核或重試的片段。
手動／自動修復 – 編輯、重新生成或修剪問題片段。
字幕匯出 – 使用 Whisper 時間戳生成 .srt 或卡拉OK風格的 .ass 檔案。
音訊混音 – 加入背景音樂，設定音量（dB）、開頭／結尾偏移、啟用音量壓制，並進行音量歸一化，無需重新執行 TTS。
匯出 – 最終音訊（及可選字幕、專案元資料、封面圖）寫入磁碟。

主要功能

功能	說明
模組化 TTS 引擎	支援多種本地模型（Piper、Kokoro、Chatterbox、Qwen3-TTS、OmniVoice、F5-TTS 俄語）與雲端 API。模型按需下載，並在獨立執行環境中隔離。
語音圖書館與克隆	浏覽目錄，下載 Piper 語音，或從短參考錄音克隆新語音（Chatterbox、OmniVoice、F5-TTS）。
LTV 標記	內嵌指令，用於切換語音、語言、停頓長度、速度、音量或傳遞模型特定指令。
文字正規化	語言特定詞典（阿拉伯語、中文、英文、…、俄語），於 TTS 前重寫數字、日期、貨幣等。
Whisper 審查	Faster-Whisper 可轉錄生成音訊，與原始文字比對，計算相似度分數，並自動重試低品質片段。
字幕生成	產生 `.srt` 與逐字 `.ass` 檔案，時間偏移正確，適用於混音。
音訊混音頁	加入背景音樂，控制 dB 級音量，設定開頭／結尾偏移，啟用音量壓制，並進行音量歸一化，適用於播客分發。
批量有聲書	排隊多本著作，分配獨立封面／音樂，支援暫停／恢復／重試，依序生成。
專案持久化	所有專案資料（元資料、片段清單、語音選擇、Whisper 分數、時間戳）儲存在 SQLite 中，並透過可攜式清單文件，方便重新開啟或未來擴充。

支援平台與需求

Windows 10/11（64 位） – 官方安裝程式（LocalText2Voice-Setup.exe）。
Linux（64 位） – 從原始碼執行；需 Python 3.10+、虛擬環境，且 FFmpeg 在 PATH 中。
macOS – 尚未正式支援。
硬體 – 4 核 CPU、8 GB RAM 可運行輕量級引擎；GPU（NVIDIA CUDA）為可選，但可加速 Chatterbox、Qwen3-TTS、OmniVoice 等大型模型。

授權與成本

應用程式 – MIT 授權，完全免費。
本地模型 – 運行免費，但每個模型遵循其上游授權（如 OmniVoice 為 CC-BY-NC，F5-TTS 俄語為非商業 CC-BY-NC 4.0）。
雲端 API – 可選；使用由提供者計費。

快速入門（Windows）

從 發行頁面 下載最新安裝程式。
執行安裝程式，選擇應用程式資料夾與獨立的 data 資料夾存放 AI 資產。
選擇設定配置檔 – CPU 輕量（Piper）或 強大 GPU（OmniVoice + Faster-Whisper）。
開啟 設定 → TTS 引擎，安裝所需引擎並下載語音。
貼上或匯入文字，點選 產生音訊，（若啟用）審查 Whisper 結果。
使用 音訊混音 頁籤加入音樂並匯出最終檔案。

誰會使用它？

作者與教育者：希望無需支付商業 TTS 服務費用即可自出版有聲書或講義錄音。
播客製作者：尋找一種保護隱私的方式生成敘述並與音樂混音。
開發者與愛好者：對實驗開源 TTS 模型與建構自訂語音管道感興趣的人。

總結：LocalText2Voice 提供完整的離線優先管道，將長篇文字轉換為高品質語音內容，支援可選雲端備援、Whisper 質量控制，以及內建播客混音工具——全部基於 MIT 授權、社群驅動的程式碼庫。