AI 应用语音音频本地部署【免费下载链接】ebook2audiobookGenerate audiobooks from e-books, voice cloning 1158 languages!项目地址https://gitcode.com/GitHub_Trending/eb/ebook2audiobook点击查看免费下载本文围绕开源项目 ebook2audiobookE2A的完整使用文档readme/README_yor.md 的完整中文解读版展开系统讲解该项目将 EPUB、PDF、MOBI 等电子书转换为带章节与元数据的有声书的全部能力支持的 TTS 引擎与语言、硬件要求、Gradio 图形界面与 headless 命令行两种运行模式、全部 30 个 CLI 参数、SML 语音控制标签、自定义模型与克隆声音以及 Docker / Compose / Podman 三种容器化部署方式。阅读完本文你可以独立完成从安装、配置到批量转换、微调模型接入的完整实战。项目定位与核心能力ebook2audiobook简称 E2A是一个基于 CPU/GPU 的电子书转有声书工具核心思路是读取电子书内容 → 按章节/段落拆分文本 → 交给 TTS 引擎合成语音 → 输出带章节结构chapter与元数据metadata的标准有声书文件。其功能要点如下与文档一一对应多 TTS 引擎支持XTTSv2、Bark、Fairseq、VITS、Tacotron2、Tortoise、GlowTTS、YourTTS。在源码 lib/conf_models.py 中引擎被注册为TTS_ENGINES字典包括XTTS/BARK/TORTOISE/PIPER/VITS/FAIRSEQ/GLOWTTS/TACOTRON/YOURTTS共 9 个条目文档列出的 8 个引擎之外的 Piper 同样可用。多格式电子书输入.epub、.mobi、.azw3、.fb2、.lrf、.rb、.snb、.tcr、.pdf、.txt、.rtf、.doc、.docx、.html、.odt、.azw、.tiff、.tif、.png、.jpg、.jpeg、.bmp、.zip。实际运行时lib/conf.py 中的ebook_formats列表还额外包含.pptx而文档“Supported eBook Formats”一节列出的.chm、.lit、.pdb、.cbr、.cbz、.prc、.pml、.cbc等格式则说明不同版本之间存在格式清单差异建议以当前 lib/conf.py 为准。文本直达合成提供 TextArea可直接将一段短文转为音频无需电子书文件。OCR 扫描对“页面即图片”的文件PDF/JPG/BMP/PNG/TIFF执行 OCR 提取文字。声音克隆使用你自己的声音文件作为 TTS 参考音色。1158 种语言支持基于 MMS 语音模型家族语言清单见文档。低资源友好最低 2GB RAM / 1GB VRAM 即可运行。多种输出格式mono 或 stereo 的aac、flac、mp3、m4b、m4a、mp4、mov、ogg、wav、webm默认输出为m4blib/conf.py。SML 标签在文本中插入[break]、[pause]、[voice:...]实现停顿与音色切换的精细控制。自定义模型可上传自己微调的模型XTTSv2、VITS、FAIRSEQ、PIPER 等。法律边界该工具仅面向无 DRM、合法获取的电子书文档明确声明作者不承担任何滥用行为或由此产生的法律后果使用时请遵守所在地法律。硬件要求与设备后端文档给出的最低要求资源最低推荐RAM2 GB8 GBVRAM1 GB4 GB运行平台CPU、XPUIntel/AMD/ARM、CUDA、ROCm、JETSON以及 Apple Silicon 的 MPSWindows 上使用 Docker 时需要开启虚拟化。文档特别提示现代 TTS 引擎在 CPU 上非常慢建议在 CPU 上使用 YourTTS、Tacotron2 这类轻量引擎。从源码看设备后端由 lib/conf.py 的devices字典维护CPU/CUDA/MPS/ROCM/XPU/JETSON命令行--device参数的可选值即来源于此lib/conf.py 的torch_matrix则针对每个后端维护了对应 PyTorch 版本矩阵如 CUDA 的 cu118~cu132、ROCm 的 5.7~7.2、JETSON 的 51/60/61 等这是安装器自动选择依赖版本的依据。若 GPU 未被识别文档建议查阅仓库 Wiki 的 GPU 排障页。支持的语言、电子书格式与输出格式语言支持文档列出的 24 种官方语言包括 Arabic(ar)、Chinese(zh)、English(en)、Spanish(es)、French(fr)、German(de)、Italian(it)、Portuguese(pt)、Polish(pl)、Turkish(tr)、Russian(ru)、Dutch(nl)、Czech(cs)、Japanese(ja)、Hindi(hi)、Bengali(bn)、Hungarian(hu)、Korean(ko)、Vietnamese(vi)、Swedish(sv)、Persian(fa)、Yoruba(yo)、Swahili(sw)、Indonesian(id)、Slovak(sk)、Croatian(hr)、Tamil(ta)、Danish(da)另可通过 MMS 家族获得 1130 语言与方言。在代码层lib/conf_lang.py 的language_mapping为每种语言维护了name / native_name / max_chars / script其中max_chars用于控制 TTS 单次合成的最大字符数如英语 250、中文 82、日语 71TTS 引擎的语言兼容映射ISO-639-3 → 引擎内部代码则定义在 lib/conf_models.py 的default_engine_settings中。电子书输入格式文档列出.epub、.pdf、.mobi、.txt、.html、.rtf、.chm、.lit、.pdb、.fb2、.odt、.cbr、.cbz、.prc、.lrf、.pml、.snb、.cbc、.rb、.tcr并指出最佳体验是.epub或.mobi因为这两种格式支持自动章节检测。一个注意点EPUB 没有统一的“章节/段落/前言”标准结构文档建议先手动删除不想转成音频的文本。音频输出格式.m4b、.m4a、.mp4、.webm、.mov、.mp3、.flac、.wav、.ogg、.aac。中间处理格式process format可在 lib/conf.py 中修改默认处理格式为flac24kHz 采样率文档注释提醒 wav 格式受 4GB 单文件上限约束。SML 标签对音频的精细控制SMLSpeech Markup Language标签允许直接在电子书文本或输入文本中嵌入控制指令标签作用[break]停顿随机 0.3–0.6 秒[pause]停顿随机 1.0–1.6 秒[pause:N]固定停顿 N 秒如[pause:3]停顿 3 秒[voice:/path/to/voice/file]...[/voice]在默认音色与指定音色之间切换在源码中标签解析由 lib/conf_models.py 的TTS_SML字典与SML_TAG_PATTERN正则负责支持[break]、[pause]可带:N参数与成对的[voice:...]每个 TTS 引擎实现如 lib/classes/tts_engines/xtts.py都会在合成前用SML_TAG_PATTERN检测并分段处理。若想在电子书中自动批量插入 SML 标签文档推荐配合专用的 E2A-SML 工具链使用。安装与本地运行Gradio 图形界面获取仓库并启动git clone https://github.com/DrewThomasson/ebook2audiobook.git cd ebook2audiobook按平台执行启动脚本脚本会负责创建 uv 虚拟环境、安装依赖Linux/MacOS./ebook2audiobook.commandMac 启动器双击Mac Ebook2Audiobook Launcher.commandMac 用户会通过 homebrew 补齐缺失程序Windowsebook2audiobook.cmd或双击该文件Windows 用户会通过 scoop 免管理员权限安装缺失程序启动成功后终端会给出 Web 界面地址浏览器打开http://localhost:7860/即可上传电子书转换。端口与主机绑定在 lib/conf.py 中定义0.0.0.0:7860最大上传体积为 6GBlib/conf.py。生成公开分享链接./ebook2audiobook.command --share # Linux/MacOS ebook2audiobook.cmd --share # Windows python app.py --share # 全平台注意--share仅适用于 Gradio/GUI 模式如果脚本停止后重新运行需要刷新浏览器页面让 Web 端重连新的 socket。GUI 模式下要取消正在进行的转换只需点击电子书上传组件上的 [X]。首次运行的依赖管理逻辑可在 app.py 中看到程序先通过DeviceInstaller检测设备信息check_device_info再按检测结果安装对应后端的 PyTorch 等包install_device_packages/install_python_packages并校验语音文件check_voices。Headless 命令行模式基础用法无需图形界面、适合脚本化与批处理的运行方式# Linux/MacOS ./ebook2audiobook.command --headless --ebook path_to_ebook_file --voice path_to_voice_file --language language_code # Windows ebook2audiobook.cmd --headless --ebook path_to_ebook_file --voice path_to_voice_file --language language_code参数说明--ebook电子书文件路径必选之一。--voice声音克隆文件路径可选不提供时使用默认音色。--languageISO-639-3 语言代码如ita意大利语、eng英语、deu德语默认语言为eng可在 lib/conf_lang.py 的default_language_code中修改同时兼容两位的 ISO-639-1 代码。除--ebook外headless 还支持两种等价输入--ebooks_dir 目录批量转换目录内所有受支持格式的电子书与--text 原文直接转换原始文本上限 1024 字符见 lib/conf.py。三者互斥app.py 会校验只能指定其中一个。批量目录转换与 voice_map使用--ebooks_dir时app.py 会按自然排序扫描目录内所有匹配ebook_formats的文件逐个转换。若希望不同书籍使用不同音色可配合--voice_map传入一个 JSON 映射文件例如{ book1.epub: /voices/eng/adult/female/alice.wav, /abs/path/book2.epub: null }键可以是绝对路径或文件名值为null或缺失时回退到--voice指定的默认音色。断点续传--session--session用于在转换中断、崩溃后恢复会话或复用已加载的自定义模型与克隆声音。运行中断时请记录会话 ID恢复时以--session id重新执行即可。自定义模型上传Custom Model Zip如果你有自己的微调模型例如自训练的 XTTSv2可以打包为 zip 上传# Linux/MacOS ./ebook2audiobook.command --headless --ebook ebook_file_path --language language --custom_model custom_model_path # Windows ebook2audiobook.cmd --headless --ebook ebook_file_path --language language --custom_model custom_model_pathzip 中必须包含该 TTS 引擎要求的全部必需文件。以 XTTSv2 为例需要config.json、model.pth、vocab.json和ref.wavlib/conf_models.py 中的files列表即此定义Fairseq 需要config.json、G_100000.pth、vocab.txt、ref.wavPiper 需要config.onnx.json、model.onnx、ref.wav见 lib/conf_models.py。注意自定义模型的ref.wav将始终作为本次转换的参考音色。支持自定义模型的引擎集合定义于 lib/conf_models.pyPIPER / XTTS / VITS / FAIRSEQ。完整 CLI 参数参考--help 全量解读在任何模式下运行--help均可获得完整参数说明./ebook2audiobook.command --help # Linux/MacOS ebook2audiobook.cmd --help # Windows python app.py --help # 全平台完整用法来源为文档 Help Command Output与 app.py 的 argparse 定义一致usage: app.py [-h] [--session SESSION] [--share] [--headless] [--ebook EBOOK] [--ebooks_dir EBOOKS_DIR] [--language LANGUAGE] [--voice VOICE] [--voice_map VOICE_MAP] [--device {CPU,CUDA,MPS,ROCM,XPU,JETSON}] [--tts_engine {XTTS,BARK,VITS,FAIRSEQ,TACOTRON,YOURTTS,xtts,bark,vits,fairseq,tacotron,yourtts}] [--custom_model CUSTOM_MODEL] [--fine_tuned FINE_TUNED] [--output_format OUTPUT_FORMAT] [--output_channel OUTPUT_CHANNEL] [--temperature TEMPERATURE] [--length_penalty LENGTH_PENALTY] [--num_beams NUM_BEAMS] [--repetition_penalty REPETITION_PENALTY] [--top_k TOP_K] [--top_p TOP_P] [--speed SPEED] [--enable_text_splitting] [--text_temp TEXT_TEMP] [--waveform_temp WAVEFORM_TEMP] [--output_dir OUTPUT_DIR] [--version]参数说明-h, --help显示帮助--session SESSION恢复中断/崩溃的转换会话或复用自定义模型与克隆声音--share仅 GUI生成公开的 Gradio 分享链接--headless无界面模式--ebook EBOOK待转换的电子书路径与--ebooks_dir/--text互斥--ebooks_dir EBOOKS_DIR待转换文件所在目录相对或绝对路径--text TEXT直接转换的原始文本与--ebook/--ebooks_dir互斥--language LANGUAGE电子书语言默认值定义在 lib/conf_lang.py--translate ISO3转换前先用 argostranslate 将电子书翻译为目标语言ISO-639-3如 eng/fra/deu翻译后目标语言即为本次 TTS 语言源书会生成带_iso3后缀的副本使翻译与未翻译输出互相隔离--voice VOICE声音克隆文件路径缺省用默认音色--voice_map VOICE_MAP仅--ebooks_dirJSON 映射文件ebook 路径 → voice 路径--device {CPU,CUDA,MPS,ROCM,XPU,JETSON}处理器类型默认在 lib/conf.py 中定义CUDA/MPS 不可用时会回退 CPU--tts_engine ...首选 TTS 引擎XTTS/BARK/VITS/FAIRSEQ/TACOTRON/YOURTTS 等默认随所选语言而定需与语言兼容--custom_model CUSTOM_MODEL自定义模型 zip 路径必需文件见 lib/conf_models.py--fine_tuned FINE_TUNED微调模型路径默认使用内置模型internal--output_format OUTPUT_FORMAT输出音频格式默认m4blib/conf.py--output_channel OUTPUT_CHANNEL输出声道默认monolib/conf.py--temperature TEMPERATUREXTTS采样温度默认 0.75越高输出越有“创造性”--length_penalty LENGTH_PENALTYXTTS自回归解码器的长度惩罚默认 1.0不作用于自定义模型--num_beams NUM_BEAMSXTTS解码时探索的候选序列数默认 1须 ≥ length penalty--repetition_penalty REPETITION_PENALTYXTTS防止解码器自我重复的惩罚默认 2.0--top_k TOP_KXTTSTop-k 采样默认 40越小输出越确定且生成越快--top_p TOP_PXTTSTop-p 采样默认 0.95越小输出越确定且生成越快--speed SPEEDXTTS语速倍率默认 1.0--enable_text_splittingXTTS启用 TTS 文本切分文档注明该选项效率不高--text_temp TEXT_TEMPBark文本温度默认 0.22--waveform_temp WAVEFORM_TEMPBark波形温度默认 0.44--output_dir OUTPUT_DIR输出目录默认在 lib/conf.py 附近定义--abs_url / --abs_api_token / --abs_libraryAudiobookshelf 服务器 URL如http://localhost:13378、API Token、库 ID--version显示版本号并退出以上 XTTS/Bark 参数的默认值均定义在 lib/conf_models.py 的default_engine_settings中源码注释显示它们与模型自带config.json的默认值保持一致未显式传入时即采用这些值。文档还附有简明示例# Windows headless ebook2audiobook.cmd --headless --ebook /path/to/file --language eng # Linux/Mac headless ./ebook2audiobook.command --headless --ebook /path/to/file --language engDocker / Compose / Podman 部署构建容器镜像# Windows ebook2audiobook.cmd --script_mode build_docker # Docker ebook2audiobook.cmd --script_mode build_docker --docker_mode compose # Docker Compose ebook2audiobook.cmd --script_mode build_docker --docker_mode podman # Podman Compose # Linux/Mac ./ebook2audiobook.command --script_mode build_docker ./ebook2audiobook.command --script_mode build_docker --docker_mode compose ./ebook2audiobook.command --script_mode build_docker --docker_mode podman--script_mode build_docker是唯一的容器构建模式值--docker_mode可选podman或compose不带时使用标准 docker buildx。直接运行官方镜像Gradio/GUI 模式注意挂载ebooks/audiobooks/models/voices/tmp五个目录并映射 7860 端口# CPU docker run -v ./ebooks:/app/ebooks -v ./audiobooks:/app/audiobooks -v ./models:/app/models -v ./voices:/app/voices -v ./tmp:/app/tmp --rm -it -p 7860:7860 athomasson2/ebook2audiobook:cpu # CUDAcu118/cu122/cu124/cu126…按版本选择标签 docker run -v ./ebooks:/app/ebooks -v ./audiobooks:/app/audiobooks -v ./models:/app/models -v ./voices:/app/voices -v ./tmp:/app/tmp --gpus all --rm -it -p 7860:7860 athomasson2/ebook2audiobook:cu118 # ROCmrocm6.0/6.1/6.4… docker run -v ./ebooks:/app/ebooks -v ./audiobooks:/app/audiobooks -v ./models:/app/models -v ./voices:/app/voices -v ./tmp:/app/tmp --device/dev/kfd --device/dev/dri --rm -it -p 7860:7860 athomasson2/ebook2audiobook:rocm6.0 # XPU docker run -v ./ebooks:/app/ebooks -v ./audiobooks:/app/audiobooks -v ./models:/app/models -v ./voices:/app/voices -v ./tmp:/app/tmp --device/dev/dri --rm -it -p 7860:7860 athomasson2/ebook2audiobook:xpu # JETSONjetson51/60/61… docker run -v ./ebooks:/app/ebooks -v ./audiobooks:/app/audiobooks -v ./models:/app/models -v ./voices:/app/voices -v ./tmp:/app/tmp --runtime nvidia --rm -it -p 7860:7860 athomasson2/ebook2audiobook:jetson51Headless 模式额外挂载宿主机电子书目录并在镜像名后追加转换参数docker run -v ./ebooks:/app/ebooks -v ./audiobooks:/app/audiobooks -v ./models:/app/models -v ./voices:/app/voices -v ./tmp:/app/tmp -v /my/real/ebooks/folder/absolute/path:/app/another_ebook_folder --rm -it -p 7860:7860 ebook2audiobook:cpu --headless --ebook /app/another_ebook_folder/myfile.pdf [--voice /app/my/voicepath/voice.mp3 ...]CUDA/ROCm/XPU/JETSON 的 headless 变体只需把设备相关参数替换到上述命令中格式一致。Docker Compose 与 Podman Compose仓库根目录的 docker-compose.yml 通过 profile 区分后端cpu/cuda/rocm/xpu/jetson并以DEVICE_TAG指定具体版本例如 CUDA 12.8# Docker ComposeGUI DEVICE_TAGcu128 docker compose --profile gpu up --no-log-prefix # Docker ComposeHeadless DEVICE_TAGcu128 docker compose --profile gpu run --rm ebook2audiobook --headless --ebook /app/ebooks/myfile.pdf --voice /app/voices/eng/adult/female/some_voice.wav # Podman ComposeGUI DEVICE_TAGcu128 podman-compose -f podman-compose.yml --profile gpu up # Podman ComposeHeadless DEVICE_TAGcu128 podman-compose -f podman-compose.yml --profile gpu run --rm ebook2audiobook-gpu --headless --ebook /app/ebooks/myfile.pdf --voice /app/voices/eng/adult/female/some_voice.wavcompose 文件中各 profile 的设备接入方式也值得注意cuda 通过deploy.resources.reservations.devices声明 nvidia GPUjetson 通过runtime: nvidiarocm 挂载/dev/kfd与/dev/dri并支持HSA_OVERRIDE_GFX_VERSION环境变量覆盖xpu 挂载/dev/dri。另外MPS 未在 Docker 中暴露容器内只能使用 CPU。克隆声音Cloned Voices文档说明可以上传任意格式的音频作为克隆音色支持格式清单见 lib/conf.py 的voice_formats理想时长约 15 分钟即使录音有背景噪音或背景音乐也没关系——E2A 会先对参考音频做去噪处理对应路线图中“Denoise any background reference audio for voice cloning upload”已完成项。内置克隆音色列表目前以英语为主其他语言音色如需官方收录可与项目维护者联系。微调 TTS 模型Fine-tuned自行微调 XTTSv2文档推荐使用配套的 Universal_TTS_Finetune 工作流含 Hugging Face Space、Kaggle 笔记本、Google Colab 笔记本仓库内也提供了对应的微调笔记本Notebooks/finetune/xtts/colab_xtts_finetune_webui.ipynb 与 Notebooks/finetune/xtts/kaggle-xtts-finetune-webui-gradio-gui.ipynb。训练数据去噪文档推荐 DeepFilterNet2 对训练语料降噪提升微调质量。官方微调模型集合E2A 团队维护了一个公开的微调模型集合Hugging Face 模型库可直接下载使用。使用方式通过--fine_tuned path指定微调模型路径默认internal内置模型或通过--custom_model上传打包好的 zip。注意自定义 XTTSv2 模型必须有参考音色音频ref clip即 zip 内的ref.wav。个性化定制修改 conf.py 与 conf_models.py文档建议你可以自由修改 lib/conf.py 来增删设置如默认输出格式、输出目录、端口、上传上限等但升级前请先备份原始文件每次更新后把原始conf.py放回再应用你的改动对 lib/conf_models.py文档所称 models.py 的当前实现文件也应采用同样的备份流程。若你希望把自己的微调模型加入官方 preset 列表可与维护者联系提交。常见问题与排障GPU 未被识别NVIDIA/ROCm/XPU/MPS参考仓库 Wiki 的 GPU 排障专页从源码看设备检测由 components/detect_gpu.py 与 lib/classes/device_installer.py 协作完成。CPU 转换很慢这是预期现象现代 TTS 在 CPU 上慢GPU 才能接近实时文档建议服务器多核 CPU 或改用轻量引擎轻量引擎虽无 zero-shot 克隆能力、音色接近 Siri 质量但在 CPU 上快得多。依赖冲突问题直接使用 Docker——完全自包含且自带 headless 模式在 docker run 命令末尾追加--help可查看容器内参数说明。音频被截断请向项目提交 issue——并非所有语言都被覆盖需要用户反馈来微调句子切分逻辑。从代码看切分逻辑位于 lib/conf_lang.py 的punctuation_split_hard/soft集合覆盖西方、阿拉伯-波斯、CJK、天城文、埃塞俄比亚、藏文、高棉、老挝等语系的句末/句中标点同时 lib/conf_lang.py 的punctuation_switch会把引号、破折号、下划线、省略号等易引发 TTS 幻觉的标点替换为安全形式。版本回退与其他信息版本回退发布版可从 Releases 页面获取使用git checkout tags/VERSION_NUM切回旧版本例如git checkout tags/v25.7.7当前版本号可在 VERSION.txt 查看。多平台兼容官方路线图确认支持 Mac Intel x86、Windows x86、Linux x86、Apple Silicon Mac、ARM Windows、ARM Linux 六类平台。远程运行官方提供 Hugging Face Space、免费 Google ColabNotebooks/colab_ebook2audiobook.ipynb与 KaggleNotebooks/kaggle-ebook2audiobook.ipynb三种云端方式适合无本地 GPU 的场景。贡献者规范若计划贡献代码文档要求函数/类之间可留空行、键统一使用单引号dict()/json 除外、4 空格缩进不用 tab、所有函数严格类型标注参数与返回值、参数与类型标注间及函数与-返回值间不留空格。小结ebook2audiobook 的价值在于把“电子书 → 有声书”拆解为一条可配置、可脚本化、可容器化的流水线底层通过argparseapp.py统一承载 GUI 与 headless 两套入口TTS_ENGINES与default_engine_settingslib/conf_models.py定义引擎矩阵与默认合成参数ebook_formats/output_formats/deviceslib/conf.py约束输入输出与硬件后端SML 标签与标点映射lib/conf_lang.py保障多语言下的停顿与朗读质量。无论你是想用 Gradio 界面快速体验、用 CLI 接入自动化流水线还是用 Docker 在服务器上批量转换本文涉及的安装步骤、参数表与部署命令都已覆盖可直接按需取用。赞分享AI 应用语音音频本地部署【免费下载链接】ebook2audiobookGenerate audiobooks from e-books, voice cloning 1158 languages!项目地址https://gitcode.com/GitHub_Trending/eb/ebook2audiobook点击查看免费下载相关推荐如何给background-agents贡献新的沙箱供应商provider贡献清单全解如何给background agents贡献新的沙箱供应商provider贡献清单全解 background agents 是一个开源的后台智能体backgAI 应用语音音频本地部署ebook2audiobookE2A实战指南电子书转有声书的本地运行、Headless 批量转换与 Docker 部署ebook2audiobookE2A实战指南电子书转有声书的本地运行、Headless 批量转换与 Docker 部署 本篇技术指南以开源项目 ebookAI 应用语音音频本地部署Kubernetes Goat 场景 15 实战容器镜像层取证——从镜像中找回被删除的敏感文件Kubernetes Goat 场景 15 实战容器镜像层取证——从镜像中找回被删除的敏感文件 本文基于 Kubernetes Goat 的 ScenarioAI 应用语音音频本地部署上一篇face-recognition.js 异步 API 深度解析提升人脸识别性能的终极技巧下一篇终极指南如何利用ssh-audit算法数据库检测并修复SSH安全漏洞创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考