abogen:開源有聲書生成器功能總覽
發布時間:
abogen:開源有聲書生成器功能總覽

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 |
| Forks | 452 |
| 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) |
| PyPI | abogen |
| 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 |
| 可選擇特定章節或頁碼範圍 | |
| .TXT | 純文字檔 |
| .MD | Markdown 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)

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)

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 |
|---|---|---|
abogen | PyQt6 桌面 GUI | 穩定核心功能 |
abogen-web | Flask 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。

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 |
|---|---|
| Windows | NVIDIA CUDA (12.6 / 12.8 / 13.0) |
| Linux | NVIDIA CUDA + AMD ROCm 6.4 |
| macOS | Apple 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
- 先安裝 espeak-ng(下載 .msi)
- 方式 A:下載 repo → 雙擊
WINDOWS_INSTALL.bat(自動安裝 Python + CUDA) - 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

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 |
|---|---|---|
| abogen | Kokoro TTS + 同步字幕 + 章節管理 + Web UI | GUI + Web |
| audiblez | ePub → 有聲書 | CLI + GUI |
| autiobooks | 自動 ePub 轉換 | CLI |
| pdf-narrator | PDF/ePub → 有聲書 | Web |
| epub_to_audiobook | 針對 Audiobookshelf 優化 | CLI |
| ebook2audiobook | AI voice cloning + 章節 metadata | Web |
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 |
|---|---|---|
| denizsafak | 355 | 核心開發 |
| k0sm0naft | 199 | 重大功能貢獻 |
| jborza | 33 | Voice 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