estebanstifli/LocalText2Voice

解决的问题

LocalText2Voice 是一款桌面应用程序，旨在通过自动化将文本转换为叙述媒体的过程，简化长篇音频和视频内容（如有声读物、播客、纪录片和动画课程）的制作。

工作原理

该应用程序提供了一个模块化流水线，用户可以导入文本（TXT、MD、DOCX、EPUB）并通过一系列步骤进行处理：文本规范化、使用本地离线引擎（如 Piper、Kokoro 或 Qwen3 TTS）或可选云端 API（如 ElevenLabs 或 OpenAI）进行分段叙述，以及人工审核。对于视频制作，“Video Storyboard”功能允许用户分析叙述以生成视觉场景、管理角色/位置上下文，并渲染最终的 MP4 文件。工作流设计为持久且可恢复，将项目数据和生成的媒体组织在用户的本地计算机上。

适用人群

该工具专为内容创作者、教育工作者和作者设计，他们需要一个注重隐私、可完全在标准消费级硬件上离线运行的长篇制作环境，同时又具备为复杂项目扩展到高性能 GPU 加速生成的能力。

亮点

• 隐私优先工作流： 支持多种本地离线 TTS 引擎，确保文本和音频数据保留在用户的计算机上。
• 长篇专业化： 专为处理大型文档和章节而构建，具有分段审核、音频混合和背景音乐闪避功能。
• Video Storyboard Beta： 将叙述转化为视觉故事的综合流水线，包括场景分析、图像生成和批量视频组装。
• 可扩展架构： 模块化设计允许轻松集成新的本地引擎或云端 API 提供商。
• 精细控制： 包含一种自定义标记语言，用于在文本编辑器中指导语音、语速、停顿和情感表达。