abogen:開源有聲書生成器功能總覽

4 分鐘閱讀時長

發布時間:

abogen:開源有聲書生成器功能總覽

abogen

Star History Chart

專案概覽

abogen(audiobook generator)是一個強大的文字轉語音轉換工具,能快速將 ePub、PDF、純文字、Markdown 或字幕檔案轉換為高品質音訊,並自動產生同步字幕。它使用 Kokoro-82M 作為 TTS 引擎,適用於有聲書製作、Instagram / YouTube / TikTok 配音等任何需要自然語音的場景。

項目資訊
倉庫denizsafak/abogen
Stars⭐ 5,926
Forks452
授權條款MIT License
主要語言Python
支援平台Windows / Linux / macOS
TTS 引擎Kokoro-82M (Apache-2.0)
最新版本v1.3.1 (2026-02)
PyPIabogen
建立日期2025-04

名稱「abogen」是 “audiobook generator” 的縮寫。作者曾收到社群回饋指出 “abo” 前綴在澳洲和新西蘭可能被理解為種族侮辱,已公開說明無此意圖。

核心功能

1. 多格式輸入支援

Abogen 接受多種檔案格式的輸入:

格式說明
ePub電子書格式,自動解析章節結構
PDF可選擇特定章節或頁碼範圍
.TXT純文字檔
.MDMarkdown 檔案(含章節標記)
.SRT / .ASS / .VTT字幕檔案,保留原始時間軸

2. 同步字幕生成

Abogen 最大的特色之一是自動產生與音訊完全同步的字幕:

  • Line — 每行一個字幕
  • Sentence — 每個句子一個字幕
  • Sentence + Comma — 句子加逗號分段
  • Sentence + Highlighting — 句子加即時高亮效果
  • 1 word / 2 words / 3 words — 精確到 N 個字(僅英文)

注意:逐字級字幕模式僅支援英文,因為 Kokoro 目前只為英文提供時間戳記 token。非英文語言使用時長推算的 fallback 機制。

3. 多音訊輸出格式

格式用途
.WAV無損音質
.FLAC無損壓縮
.MP3通用有損壓縮
.OPUS最佳壓縮比
M4B含章節資訊,適合有聲書播放器

4. 章節管理(Chapter Markers)

處理 ePub、PDF 或 Markdown 檔案時,Abogen 自動插入章節標記:

<<CHAPTER_MARKER:Chapter Title>>

這些標記讓你可以:

  • 將文字拆分為各章節獨立音訊檔
  • 出錯時只需重新處理特定章節
  • 手動在純文字檔中加入相同標記

5. Metadata 標籤(M4B)

支援為 M4B 檔案嵌入有聲書 metadata:

<<METADATA_TITLE:Title>>
<<METADATA_ARTIST:Author>>
<<METADATA_ALBUM:Album Title>>
<<METADATA_YEAR:Year>>
<<METADATA_COMPOSER:Narrator>>
<<METADATA_COVER_PATH:path/to/cover.jpg>>

處理 ePub/PDF 時會自動提取封面圖片並填入 METADATA_COVER_PATH。

6. Voice Mixer(語音混合器)

Voice Mixer

可以將多個語音模型按不同權重混合,創造出獨特的自訂語音,並儲存為 profile 供日後使用。

7. Queue Mode(批次處理)

Queue Mode

支援多檔案排隊處理:

  • 每個檔案保留加入時設定的參數
  • 可選擇「以目前設定覆蓋所有項目」
  • 自動依序處理,無需手動干預

8. 時間戳記文字檔

Abogen 能自動偵測含 HH:MM:SS 格式時間戳記的文字檔,並依此控制音訊播放時間。適合需要精確控制每段說話時機的腳本或轉錄稿。

9. LLM 輔助文字正規化(Web UI)

Web UI 可連接 OpenAI 相容的 LLM 端點(如 Ollama),讓模型處理棘手的撇號和縮寫,使語音輸出更自然。設定路徑:Settings → LLM。

10. Audiobookshelf 整合(Web UI)

完成轉換後可直接推送至 Audiobookshelf:

  • 設定 Base URL、Library ID、目標資料夾、API Token
  • 支援自動上傳或手動觸發
  • 包含 Nginx Proxy Manager 反向代理完整設定指南

雙介面架構

Abogen 提供兩種使用介面:

指令介面特色
abogenPyQt6 桌面 GUI穩定核心功能
abogen-webFlask Web UI核心 + Supertonic TTS、LLM 正規化、Audiobookshelf 整合

Web UI 為活躍開發中,包含較新的功能。作者感謝貢獻者 @jeremiahsb 提交了超過 55,000 行程式碼實現整個 Web UI。

Web UI

技術架構

┌─────────────────────────────────────────────┐
│              Abogen Application             │
├──────────────────┬──────────────────────────┤
│   PyQt6 Desktop  │     Flask Web UI         │
│   (abogen)       │     (abogen-web)         │
├──────────────────┴──────────────────────────┤
│           Core Processing Engine            │
│  ┌─────────┐ ┌─────────┐ ┌──────────────┐ │
│  │ File     │ │ Chapter │ │ Subtitle     │ │
│  │ Parsers  │ │ Manager │ │ Generator    │ │
│  │(ePub/PDF/│ │(markers)│ │(SRT/ASS/VTT) │ │
│  │ TXT/MD)  │ │         │ │              │ │
│  └─────────┘ └─────────┘ └──────────────┘ │
├─────────────────────────────────────────────┤
│            Kokoro-82M TTS Engine            │
│     (PyTorch / CUDA / ROCm / MPS)          │
├─────────────────────────────────────────────┤
│  spaCy (sentence segmentation)             │
│  espeak-ng (phoneme fallback)              │
│  FFmpeg (audio encoding / time-stretch)    │
└─────────────────────────────────────────────┘

支援的 GPU 加速

平台GPU 支援
WindowsNVIDIA CUDA (12.6 / 12.8 / 13.0)
LinuxNVIDIA CUDA + AMD ROCm 6.4
macOSApple Silicon MPS (需 Kokoro dev 版)
CPU-only全平台支援(速度較慢)

支援的語言

代碼語言備註
a🇺🇸 American English預設
b🇬🇧 British English 
e🇪🇸 Spanish 
f🇫🇷 French (fr-fr) 
h🇮🇳 Hindi 
i🇮🇹 Italian 
j🇯🇵 Japanese需 pip install misaki[ja]
p🇧🇷 Brazilian Portuguese 
z🇨🇳 Mandarin Chinese需 pip install misaki[zh]

語音代碼規則:第一字母 = 語言,第二字母 = m(男) / f(女)。完整列表見 Kokoro VOICES.md。

安裝方式

Windows

  1. 先安裝 espeak-ng(下載 .msi)
  2. 方式 A:下載 repo → 雙擊 WINDOWS_INSTALL.bat(自動安裝 Python + CUDA)
  3. 方式 B:使用 uv
# NVIDIA GPU (CUDA 12.8) — 推薦
uv tool install --python 3.12 abogen[cuda] \
  --extra-index-url https://download.pytorch.org/whl/cu128 \
  --index-strategy unsafe-best-match

# AMD GPU 或無 GPU
uv tool install --python 3.12 abogen

macOS

brew install espeak-ng

# Apple Silicon (M1/M2/M3)
uv tool install --python 3.13 abogen \
  --with "kokoro @ git+https://github.com/hexgrad/kokoro.git,numpy<2"

# Intel Mac
uv tool install --python 3.12 abogen \
  --with "kokoro @ git+https://github.com/hexgrad/kokoro.git,numpy<2"

Linux

sudo apt install espeak-ng   # Ubuntu/Debian

# NVIDIA GPU 或 CPU
uv tool install --python 3.12 abogen

# AMD GPU (ROCm 6.4)
uv tool install --python 3.12 abogen[rocm] \
  --extra-index-url https://download.pytorch.org/whl/nightly/rocm6.4 \
  --index-strategy unsafe-best-match

Docker(Web UI)

docker build -t abogen .
mkdir -p ~/abogen-data/uploads ~/abogen-data/outputs
docker run --rm \
  -p 8808:8808 \
  -v ~/abogen-data:/data \
  --name abogen \
  abogen

或直接用 GPU 版 Compose:

docker compose up -d --build

實際效能

Abogen in action

在 RTX 2060 Mobile 筆記型電腦上,約 3,000 字元的文字在 11 秒內處理完成,產出 3 分 28 秒的音訊。效能因硬體而異。

與其他專案比較

專案特色介面
abogenKokoro TTS + 同步字幕 + 章節管理 + Web UIGUI + Web
audiblezePub → 有聲書CLI + GUI
autiobooks自動 ePub 轉換CLI
pdf-narratorPDF/ePub → 有聲書Web
epub_to_audiobook針對 Audiobookshelf 優化CLI
ebook2audiobookAI voice cloning + 章節 metadataWeb

Abogen 的獨特優勢在於:

  • 同步字幕(非僅音訊)
  • Voice Mixer 自訂語音混合
  • 雙介面(桌面 + Web)
  • Kokoro-82M 高品質 TTS(Apache-2.0,可商用)

Roadmap

功能狀態
OCR 掃描 PDF (docling/tesseract)🚧 規劃中
M4A 章節 metadata✅ 已完成
GUI 多語言介面🚧 規劃中
Voice formula(語音混合)✅ 已完成
Kokoro-ONNX 支援🚧 評估中
Dark mode✅ 已完成

主要貢獻者

貢獻者Commits主要貢獻
denizsafak355核心開發
k0sm0naft199重大功能貢獻
jborza33Voice Mixer、Queue Mode、章節支援
jeremiahsb—Web UI(>55,000 行)

參考連結

  • GitHub: https://github.com/denizsafak/abogen
  • PyPI: https://pypi.org/project/abogen/
  • Kokoro-82M (TTS): https://huggingface.co/hexgrad/Kokoro-82M
  • espeak-ng: https://github.com/espeak-ng/espeak-ng
  • Demo 指南: https://github.com/denizsafak/abogen/tree/main/demo
  • Star History: https://star-history.dera.page/#denizsafak/abogen&Date