abogen

Abogen 是一款强大的文本转语音转换工具，可轻松将 ePub、PDF、文本、Markdown 或字幕文件在几秒钟内转换为高质量音频，并附带同步的字幕。您可以使用它来制作有声读物、为 Instagram、YouTube、TikTok 或任何需要自然语音合成的项目添加旁白，只需借助 Kokoro-82M 即可。

演示

https://github.com/user-attachments/assets/094ba3df-7d66-494a-bc31-0e4b41d0b865

此演示仅用时 5 秒生成，输出约 1 分钟的音频及完美同步的字幕。如需制作类似视频，请参阅 演示指南。

如何安装？

Windows

前往 espeak-ng 最新版本，下载并运行 *.msi 文件。

选项 1：使用脚本安装

1. 下载 仓库
2. 解压 ZIP 文件
3. 双击运行 WINDOWS_INSTALL.bat

此方法会自动完成所有操作——包括在独立环境中安装所有依赖项（含 CUDA），无需单独安装 Python。（您仍需安装 espeak-ng。）

[!注意] 您无需单独安装 Python，脚本会自动为您安装。

选项 2：使用 uv 安装

首先，如果您尚未安装，请先 安装 uv。

# 适用于 NVIDIA 显卡（CUDA 12.8）——推荐
uv tool install --python 3.12 abogen[cuda] --extra-index-url https://download.pytorch.org/whl/cu128 --index-strategy unsafe-best-match

# 适用于 NVIDIA 显卡（CUDA 12.6）——较旧驱动
uv tool install --python 3.12 abogen[cuda126] --extra-index-url https://download.pytorch.org/whl/cu126 --index-strategy unsafe-best-match

# 适用于 NVIDIA 显卡（CUDA 13.0）——较新驱动
uv tool install --python 3.12 abogen[cuda130] --extra-index-url https://download.pytorch.org/whl/cu130 --index-strategy unsafe-best-match

# 适用于 AMD 显卡或无显卡——如果您拥有 AMD 显卡，由于 ROCm 在 Windows 上不可用，您需要使用 Linux 来实现 GPU 加速。
uv tool install --python 3.12 abogen

# 创建虚拟环境（可选）
mkdir abogen && cd abogen
python -m venv venv
venv\Scripts\activate

# 对于 NVIDIA 显卡：
# 我们需要使用较旧版本的 PyTorch（2.8.0），直到该问题修复：https://github.com/pytorch/pytorch/issues/166628
pip install torch==2.8.0+cu128 torchvision==0.23.0+cu128 torchaudio==2.8.0 --index-url https://download.pytorch.org/whl/cu128

# 对于 AMD 显卡：
# 目前尚不支持，因为 ROCm 在 Windows 上不可用。如有 AMD 显卡，请使用 Linux。

# 安装 abogen
pip install abogen

Mac

首先，如果您尚未安装，请先 安装 uv。

# 安装 espeak-ng
brew install espeak-ng

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

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

# 安装 espeak-ng
brew install espeak-ng

# 创建虚拟环境（推荐）
mkdir abogen && cd abogen
python3 -m venv venv
source venv/bin/activate

# 安装 abogen
pip3 install abogen

# 对于 Apple Silicon Mac（M1、M2 等）
# 安装 abogen 后，我们需要安装 Kokoro 的开发版，其中包含 MPS 支持。
pip3 install git+https://github.com/hexgrad/kokoro.git

Linux

首先，如果您尚未安装，请先 安装 uv。

# 安装 espeak-ng
sudo apt install espeak-ng # Ubuntu/Debian
sudo pacman -S espeak-ng # Arch Linux
sudo dnf install espeak-ng # Fedora

# 对于 NVIDIA 显卡或无显卡——此处无需加入 [cuda]。
uv tool install --python 3.12 abogen

# 对于 AMD 显卡（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

# 安装 espeak-ng
sudo apt install espeak-ng # Ubuntu/Debian
sudo pacman -S espeak-ng # Arch Linux
sudo dnf install espeak-ng # Fedora

# 创建虚拟环境（推荐）
mkdir abogen && cd abogen
python3 -m venv venv
source venv/bin/activate

# 安装 abogen
pip3 install abogen

# 对于 NVIDIA 显卡：
# 已经支持，无需单独安装 CUDA。

# 对于 AMD 显卡：

# 安装 abogen 后，我们需要卸载现有的 torch 包
pip3 uninstall torch 
pip3 install --pre torch torchvision torchaudio --index-url https://download.pytorch.org/whl/nightly/rocm6.4

请参阅如何解决“CUDA GPU 不可用。正在使用 CPU”警告？

请参阅如何解决 Linux 中的“WARNING: The script abogen-cli is installed in '/home/username/.local/bin' which is not on PATH”错误？

请参阅如何解决“No matching distribution found”错误？

请参阅如何解决“[WinError 1114] 动态链接库 (DLL) 初始化例程失败”错误？

特别感谢 @hg000125 在 #23 中所做的贡献。正是由于他的工作，才得以支持 AMD GPU。

界面

Abogen 提供两种界面，但目前它们的功能集有所不同。Web UI 包含一些较新的功能，这些功能仍在逐步集成到桌面应用程序中。

注意： Web UI 目前仍在积极开发中。我们正努力将这些新功能整合到 PyQt 桌面应用中。在此之前，Web UI 提供了功能最丰富的体验。

特别感谢 @jeremiahsb 的付出！我对他巨大的贡献（超过 55,000 行代码！）感到非常惊讶，正是这些代码让整个 Web UI 成为了现实。

🖥️ 桌面应用程序（PyQt）

如何运行？

只需运行以下命令即可启动 Abogen 桌面 GUI：

abogen

[!提示] 如果您使用 Windows 安装程序 (WINDOWS_INSTALL.bat) 安装了 Abogen，它应该会在同一文件夹或您的桌面上创建一个快捷方式。您可以直接从那里运行。如果您丢失了快捷方式，Abogen 位于 python_embedded/Scripts/abogen.exe。您可以直接从那里运行。

如何使用？

1. 将任何 ePub、PDF、文本、Markdown 或字幕文件拖放到界面上（或者使用内置的文本编辑器）
2. 配置设置：
   • 设置语速
   • 选择语音（或使用语音混合器创建自定义语音）
   • 选择字幕生成样式（按句子、单词等）
   • 选择输出格式
   • 选择保存输出的位置
3. 点击“开始”

实际操作

这里是 Abogen 的实际操作演示：在这个示例中，它仅用 11 秒就处理了约 3,000 个字符的文本，并将其转换为 3 分 28 秒的音频。而我的设备是一块低端的 RTX 2060 Mobile 笔记本显卡。您的结果可能会因硬件不同而有所差异。

配置

特别感谢 @brianxiadong 在 PR #75 中添加了 Markdown 支持。

特别感谢 @jborza 在 PR #10 中实现了章节支持。

特别感谢 @mleg 在 PR #94 中增加了字幕生成中的 一行 选项。

特别感谢 @robmckinnon 在 PR #65 中添加了“句子+高亮”功能。

语音混合器

通过语音混合器，您可以混合不同的语音模型来创建自定义语音。您可以调整每种语音的权重，并将自定义语音保存为个人配置，以便日后使用。语音混合器让您能够创造出独特且个性化的语音。

特别感谢 @jborza 通过他在 #5 中的贡献，使这一功能成为可能。

队列模式

Abogen 支持队列模式，允许您将多个文件添加到处理队列中。如果您希望一次性转换多个文件，此功能非常有用。

• 您可以使用队列管理器中的添加文件按钮，或直接将文本文件（.txt）和字幕文件（.srt、.ass、.vtt）拖放到队列列表中来添加这些文件。要添加 PDF、EPUB 或 Markdown 文件，请使用主窗口中的输入框并单击添加到队列按钮。
• 队列中的每个文件会保留其添加时所使用的配置设置。之后更改主窗口的配置不会影响已加入队列的文件。
• 您可以启用用当前选择覆盖项目设置选项，以强制队列中的所有项目使用主窗口中当前选定的配置，从而覆盖它们保存的设置。
• 您可以通过将鼠标悬停在每个文件上来查看其配置。

Abogen 会自动处理队列中的每个项目，并按照配置保存输出文件。

特别感谢 @jborza 在 PR #35 中添加了队列模式

🌐 Web 应用程序 (WebUI)

如何运行？

运行以下命令启动 Web UI：

abogen-web

然后打开 http://localhost:8808，并将您的文档拖入其中。作业会在后台工作进程中运行，浏览器会自动更新。

使用 Web UI

1. 上传文档（拖放或使用上传按钮）。
2. 选择语音、语言、语速、字幕样式和输出格式。
3. 单击创建作业。该作业会立即出现在队列中。
4. 实时查看进度和日志更新。完成时下载音频/字幕文件。
5. 随时取消或删除作业。下载日志以进行故障排除。

多个作业可以按顺序运行；工作进程会依次处理它们。

容器镜像

您可以直接从仓库根目录构建一个轻量级容器镜像：

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

浏览至 http://localhost:8808。上传的源文件存储在 /data/uploads 中，生成的音频/字幕则显示在 /data/outputs 中。

容器环境变量

您可以在启动容器时使用 -e VAR=value 来设置这些变量。

要查找本地的 UID/GID 以便在容器内匹配文件权限，请运行：

id -u
id -g

使用这些值填充 .env 文件中的 ABOGEN_UID 和 ABOGEN_GID。

通过 Docker Compose 运行时，将 .env 文件中的 ABOGEN_SETTINGS_DIR、ABOGEN_OUTPUT_DIR 和 ABOGEN_TEMP_DIR 设置为您希望挂载到容器中的主机目录。Compose 会将它们分别映射到 /config、 /data/outputs 和 /data/cache，同时将这些容器内的路径导出给应用程序。非音频缓存（例如 Hugging Face 下载）默认会保留在容器内部的 /tmp/abogen-home/.cache 目录下，因此只有转换过程中的临时数据才会接触到挂载的 ABOGEN_TEMP_DIR。请确保每个主机目录都存在，并且您配置的 UID/GID 对其具有写入权限，然后再启动堆栈。

Docker Compose（默认使用 GPU）

该仓库包含 docker-compose.yaml 文件，默认针对配备 GPU 的主机。安装 NVIDIA Container Toolkit 并运行：

docker compose up -d --build

关键构建/运行参数：

• TORCH_VERSION – 锁定与您的驱动程序匹配的特定 PyTorch 版本（留空则使用配置索引中的最新版本）。
• TORCH_INDEX_URL – 当您使用不同的 CUDA 构建时，可更换 PyTorch 下载索引。
• ABOGEN_DATA – 存储上传/输出文件的主机路径（默认为 ./data）。

仅 CPU 部署：注释掉 compose 文件中的 deploy.resources.reservations.devices 块（以及可选的 runtime: nvidia 行）。Compose 将不再请求 GPU。如果您更喜欢经典 CLI：

docker build -f abogen/Dockerfile -t abogen-gpu .
docker run --rm \
  --gpus all \
  -p 8808:8808 \
  -v ~/abogen-data:/data \
  abogen-gpu

LLM 辅助文本规范化

Abogen 可以将棘手的撇号和缩略形式交由兼容 OpenAI 的大型语言模型处理。您可以从设置 → LLM 中进行配置：

1. 输入您的端点的基本 URL（Ollama、OpenAI 代理等），如果需要，还需提供 API 密钥。使用服务器根路径（对于 Ollama：http://localhost:11434）——Abogen 会自动附加 /v1/...，但也可以接受已经以 /v1 结尾的输入。
2. 单击刷新模型加载目录，选择默认模型，并调整超时时间或提示模板。
3. 使用预览框测试提示，然后保存设置。规范化面板可以使用当前配置合成一段简短的音频预览。

当您在 Docker 或 CI 流水线中运行时，可通过 .env 文件中的 ABOGEN_LLM_* 变量自动填充表单。.env.example 文件包含本地 Ollama 服务器的示例值。

Audiobookshelf 集成

Abogen 可以将完成的有声书直接推送至 Audiobookshelf。您可以在 设置 → 集成 → Audiobookshelf 中进行配置，提供以下信息：

• 基础 URL – 您的 Audiobookshelf 服务器可通过 HTTPS 访问的源（以及可选的路径前缀），例如 https://abs.example.com 或 https://media.example.com/abs。请不要在末尾添加 /api。
• 库 ID – 目标 Audiobookshelf 库的标识符（从 ABS 的库设置页面复制）。
• 文件夹（名称或 ID） – 该库内的目标文件夹。请准确输入文件夹名称（Abogen 会自动将其解析为正确的 ID），粘贴原始的 folderId，或点击 浏览文件夹 来获取可用文件夹并填充字段。
• API 令牌 – 在 Audiobookshelf 的 账户 → API 令牌 中生成的个人访问令牌。

连接成功后，您可以为未来的任务启用自动上传，也可以从队列中触发单个上传。

反向代理检查清单（Nginx Proxy Manager）

当 Audiobookshelf 部署在 Nginx Proxy Manager (NPM) 后面时，请确保 API 路径和头部信息能够原封不动地传递到后端：

1. 创建一个指向您的 ABS 容器或主机的 代理主机（默认转发端口为 13378）。
2. 在 SSL 选项卡中，启用您的证书，并勾选 强制使用 SSL（如果您仅希望使用 HTTPS）。
3. 在 高级 选项卡中，添加以下代码片段，以确保承载令牌、客户端 IP 和大文件上传能够顺利通过代理：

proxy_set_header Host $host; proxy_set_header X-Real-IP $remote_addr; proxy_set_header X-Forwarded-For $proxy_add_x_forwarded_for; proxy_set_header X-Forwarded-Proto $scheme; proxy_set_header X-Forwarded-Host $host; proxy_set_header X-Forwarded-Port $server_port; proxy_set_header Authorization $http_authorization; client_max_body_size 5g; proxy_read_timeout 300s; proxy_connect_timeout 300s;

4. 禁用 **阻止常见漏洞** 功能（在某些 NPM 版本中，此功能会剥离 Authorization 头部）。
5. 在主代理界面中启用 **WebSockets 支持**（Audiobookshelf 使用它来提供 Web 界面，并保持反向代理配置的一致性）。
6. 如果您在路径前缀下发布 Audiobookshelf（例如 `/abs`），则需添加一个 **自定义位置**，设置 `Location: /abs/`，并将 **转发路径** 设置为 `/`。这样可以去除 `/abs` 前缀，使互联网上的 `/abs/api/...` 在后端变为 `/api/...`。请在 Abogen 的“基础 URL”字段中使用相同的带前缀的 URL。

保存代理主机后，从运行 Abogen 的机器上测试 API：

```bash
curl -i "https://abs.example.com/api/libraries" \
  -H "Authorization: Bearer YOUR_API_TOKEN"

如果仍然收到 Cannot GET /api/... 错误，则说明代理正在重写路径。请再次检查 自定义位置 表格（转发路径 列应为空），并在发出 curl 请求时查看 NPM 的访问日志和错误日志，以确认后端接收到完整的 /api/libraries URL。

如果返回包含库列表的 JSON 响应，则表示代理已正确路由 API 请求。随后，您可以使用 浏览文件夹 功能确认库内容，在 Abogen 的设置中运行 测试连接（验证库并解析文件夹），并在已完成的任务上使用“发送至 Audiobookshelf”按钮。

JSON 端点

需要机器可读的状态更新吗？仪表板会调用一组辅助端点，您可以重复使用：

• GET /api/jobs/<id> 以 JSON 格式返回作业元数据、进度和日志条目。
• GET /partials/jobs 以 HTML 格式渲染实时作业列表（htmx 使用此功能进行轮询）。
• GET /partials/jobs/<id>/logs 仅渲染日志窗口。

更多自动化钩子正在规划中；如果您需要额外的路由，欢迎贡献代码。

核心功能（两者均适用）

关于章节标记

当您处理 ePUB、PDF 或 Markdown 文件时，Abogen 会将它们转换为文本文件，并存储在您的缓存目录中。点击“编辑”时，您实际上是在修改这些转换后的文本文件。在这些文本文件中，您会看到类似如下的标签：

<<CHAPTER_MARKER:章标题>>

这些就是章节标记。它们会在您处理 ePUB、PDF 或 Markdown 文件时，根据您选择的章节自动添加。它们具有重要作用：

• 允许您将文本按章节分割成单独的音频文件
• 节省时间，当出现错误时，只需重新处理特定章节，而无需重新处理整个文件

您也可以手动将这些标记添加到纯文本文件中，以获得相同的好处。只需在文本中加入如下内容：

<<CHAPTER_MARKER:引言>>
这是我的文本开头……  

<<CHAPTER_MARKER:正文>> 
这里是另一部分内容……  

当您处理该文本文件时，Abogen 会自动检测到这些标记，并询问您是否要分别保存每个章节，同时创建合并版本。

关于元数据标签

与章节标记类似，您也可以为 M4B 文件添加元数据标签。这对于支持元数据的有声书播放器非常有用，可以让您添加标题、作者、年份等信息。Abogen 在处理 ePUB、PDF 或 Markdown 文件时会自动添加这些标签，但您也可以手动将其添加到文本文件中。请在文本文件的开头添加元数据标签，格式如下：

<<METADATA_TITLE:标题>>
<<METADATA_ARTIST:作者>>
<<METADATA_ALBUM:专辑标题>>
<<METADATA_YEAR:年份>>
<<METADATA_ALBUM_ARTIST:专辑艺人>>
<<METADATA_COMPOSER:旁白者>>
<<METADATA_GENRE:有声书>>
<<METADATA_COVER_PATH:封面图片路径.jpg>>

注意：METADATA_COVER_PATH 用于将封面图片嵌入生成的 M4B 文件中。Abogen 会自动从 ePUB 和 PDF 文件中提取封面，并为您添加此标签。

关于基于时间戳的文本文件

与将字幕文件转换为音频类似，Abogen 可以自动检测包含 HH:MM:SS、HH:MM:SS,ms 或 HH:MM:SS.ms 格式时间戳的文本文件。当在您的文本文件中找到时间戳时，Abogen 会询问您是否希望将其用于音频定时。这对于创建需要精确控制每个片段播放时间的旁白、脚本或文字稿非常有用。

请按以下格式编写您的文本文件：

00:00:00
这是第一段文字。

00:00:15
这是第二段文字，从第 15 秒开始。

00:00:45
这是第三段文字，从第 45 秒开始。

重要提示：

• 时间戳必须采用 HH:MM:SS、HH:MM:SS,ms 或 HH:MM:SS.ms 格式（例如，00:05:30 表示 5 分 30 秒，00:05:30.500 表示 5 分 30.5 秒）。
• 毫秒部分是可选的，可提供精确到千分之一秒的时间精度。
• 第一个时间戳之前的文本内容将自动从 00:00:00 开始。
• 使用时间戳时，字幕生成模式设置将被忽略。

支持的语言

# 🇺🇸 'a' => 美式英语，🇬🇧 'b' => 英式英语
# 🇪🇸 'e' => 西班牙语 es
# 🇫🇷 'f' => 法语 fr-fr
# 🇮🇳 'h' => 印地语 hi
# 🇮🇹 'i' => 意大利语 it
# 🇯🇵 'j' => 日语：pip install misaki[ja]
# 🇧🇷 'p' => 巴西葡萄牙语 pt-br
# 🇨🇳 'z' => 普通话：pip install misaki[zh]

有关支持的语言和语音的完整列表，请参阅 Kokoro 的 VOICES.md 文件。如需收听示例音频输出，请查看 SAMPLES.md 文件。

请参阅 如何解决日语音频无法正常工作的问题？

使用指南与故障排除

MPV 配置

我强烈建议使用 MPV 播放您的音频文件，因为它即使没有视频轨道也能显示字幕。以下是我的 mpv.conf 配置：

# --- MPV 设置 ---
save-position-on-quit
keep-open=yes
audio-display=no
# --- 字幕 ---
sub-ass-override=no
sub-margin-y=50
sub-margin-x=50
# --- 音质 ---
audio-spdif=ac3,dts,eac3,truehd,dts-hd
audio-channels=auto
audio-samplerate=48000
volume-max=200

类似项目

Abogen 是一个独立项目，但它受到其他项目的启发，并与之有一些相似之处。以下是一些相关项目：

• audiblez：从电子书生成有声读物。（同时支持命令行和图形界面）
• autiobooks：自动将 EPUB 文件转换为有声读物。
• pdf-narrator：轻松将 PDF 和 EPUB 文件转换为有声读物。
• epub_to_audiobook：EPUB 到有声读物转换工具，专为 Audiobookshelf 优化。
• ebook2audiobook：利用动态 AI 模型和语音克隆技术，将电子书转换为带有章节和元数据的有声读物。

路线图

• 添加使用 docling/Tesseract 对 PDF 文件进行 OCR 扫描的功能。
• 为 .m4a 文件添加章节元数据。（问题 #9，拉取请求 #10）
• 在图形界面上增加对多种语言的支持。
• 添加语音混合功能，允许混合不同的语音模型。（问题 #1，拉取请求 #5）
• 如果有必要，增加对 kokoro-onnx 的支持。
• 添加深色模式。

故障排除

如果您在运行 Abogen 时遇到任何问题，请尝试通过命令行启动：

abogen-cli

如果您是通过 Windows 安装程序 (WINDOWS_INSTALL.bat) 安装的，请前往 python_embedded/Scripts 目录并运行：

abogen-cli.exe

这将以命令行模式启动 Abogen，并显示详细的错误信息。请在 Issues 页面上提交新问题，附上错误信息及您的问题描述。

常见问题与解决方案

贡献

我欢迎各位的贡献！如果您有新的功能、改进或 bug 修复的想法，请直接 fork 该项目并提交 pull request。

针对开发者和贡献者

如果您希望修改代码并参与开发，可以下载仓库，解压后运行以下命令来构建或安装软件包：

# 进入您解压后的仓库目录并执行：
pip install -e .[dev]       # 以可编辑模式安装软件包，并包含构建依赖
python -m build             # 将软件包构建到 dist 文件夹中（可选）
abogen                      # 打开 GUI

请确保您使用的是 Python 3.10 到 3.12 版本。如有需要，请创建虚拟环境。

# 进入您解压后的仓库目录并执行：
uv venv --python 3.12       # 创建一个基于 Python 3.12 的虚拟环境

# 激活虚拟环境后，运行：
uv pip install -e .         # 以可编辑模式安装包
uv build                    # 在 dist 文件夹中构建包（可选）
abogen                      # 打开 GUI

欢迎探索代码并根据需要进行修改。

致谢

• Web UI 实现由 @jeremiahsb 完成
• Abogen 使用 Kokoro 进行高质量、自然流畅的文本转语音合成。衷心感谢 Kokoro 团队使这一切成为可能。
• 感谢 spaCy 项目提供的句子分割工具，这些工具帮助 Abogen 生成更清晰、更自然的句子分割结果。
• 感谢 @wojiushixiaobai 提供的 Embedded Python 包。这些经过修改的包已预装 pip，使得 Abogen 可以作为独立应用程序运行，而无需用户在 Windows 系统上单独安装 Python。
• 感谢 EbookLib 的开发者，这是一个用于读取和写入 ePub 文件的 Python 库，Abogen 利用它从 ePub 文件中提取文本。
• 特别感谢 PyQt 团队，他们提供了跨平台的 GUI 工具包，为 Abogen 的界面提供了支持。
• 图标：美国、英国、西班牙、法国、印度、意大利、日本、巴西、中国、女性、男性、调整 和 语音 ID 图标均由 Icons8 提供。

许可证

本项目采用 MIT 许可证授权——详情请参阅 LICENSE 文件。

Kokoro 采用 Apache-2.0 许可证，允许商业使用、修改、分发及私人使用。

星标历史

[!注意] Abogen 支持所有语言的字幕生成。然而，单词级字幕模式（例如“1 个词”、“2 个词”、“3 个词”等）仅适用于英语，因为 Kokoro 仅为英语文本提供时间戳标记。对于非英语语言，Abogen 会使用基于时长的回退方案，支持句子级和逗号分隔的字幕模式（“行”、“句子”、“句子 + 逗号”）。如果您需要其他语言的单词级字幕，请在 Kokoro 项目 中提出该功能请求。

标签：有声书、Kokoro、文本转语音、TTS、有声书生成器、有声书、文本转语音、有声书制作工具、有声书创作者、有声书生成软件、语音合成、文本转音频、文本转音频转换器、文本转语音转换器、文本转语音生成器、文本转语音软件、文本转语音应用、ePub 转音频、PDF 转音频、Markdown 转音频、字幕转音频、SRT 转音频、ASS 转音频、VTT 转音频、WebVTT 转音频、内容创作、媒体生成

Abogen 快速上手指南

Abogen 是一款强大的文本转语音（TTS）工具，基于 Kokoro-82M 模型，支持将 ePub、PDF、TXT、Markdown 及字幕文件转换为高质量音频，并自动生成同步字幕。适用于有声书制作、视频配音等场景。

环境准备

系统要求

• 操作系统: Windows, macOS (Intel/Silicon), Linux
• Python 版本: 推荐 Python 3.12 (macOS Silicon 推荐 3.13)
• 硬件加速:
  • NVIDIA GPU: 支持 CUDA (Windows/Linux/macOS)
  • AMD GPU: 仅 Linux 支持 ROCm 加速
  • CPU: 所有平台通用（速度较慢）

前置依赖

无论使用何种安装方式，均需先安装 espeak-ng：

• Windows: 下载并运行 espeak-ng 最新安装包 (.msi)。
• macOS: 执行 brew install espeak-ng。
• Linux:
  • Ubuntu/Debian: sudo apt install espeak-ng
  • Arch Linux: sudo pacman -S espeak-ng
  • Fedora: sudo dnf install espeak-ng

注意: 国内用户若无法访问 GitHub 或 PyPI，建议配置 pip/uv 国内镜像源（如清华源、阿里源）。

安装步骤

推荐使用 uv 进行安装，它会自动管理 Python 环境和依赖。

方式一：使用 uv 安装（推荐）

首先安装 uv。

1. Windows

# NVIDIA GPU (CUDA 12.8 - 推荐)
uv tool install --python 3.12 abogen[cuda] --extra-index-url https://download.pytorch.org/whl/cu128 --index-strategy unsafe-best-match

# 无 GPU 或使用 AMD GPU (AMD 在 Windows 上需使用 CPU 模式)
uv tool install --python 3.12 abogen

注：Windows 用户也可下载项目源码包，双击运行 WINDOWS_INSTALL.bat 脚本自动安装（仍需手动安装 espeak-ng）。

2. macOS

# Apple Silicon (M1/M2/M3 等)
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"

3. Linux

# NVIDIA GPU 或 纯 CPU 模式
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

方式二：使用 pip 安装（备选）

若不使用 uv，可手动创建虚拟环境安装：

# 创建并激活虚拟环境
mkdir abogen && cd abogen
python -m venv venv
# Windows: venv\Scripts\activate
# Mac/Linux: source venv/bin/activate

# 安装基础包
pip install abogen

# 若需 NVIDIA GPU 加速 (以 CUDA 12.8 为例)，需先安装特定版本 PyTorch
pip install torch==2.8.0+cu128 torchvision==0.23.0+cu128 torchaudio==2.8.0 --index-url https://download.pytorch.org/whl/cu128

基本使用

安装完成后，可通过命令行启动图形界面或 Web 界面。

1. 启动桌面客户端 (PyQt GUI)

这是最稳定的核心功能界面，适合日常使用。

abogen

操作流程：

1. 导入文件：拖拽 ePub、PDF、TXT、MD 或字幕文件到输入框，或直接粘贴文本。
2. 配置参数：
   • Speed: 调整语速 (0.1x - 2.0x)。
   • Select Voice: 选择音色（格式为 语言代码 + 性别，如 af 代表美式英语女性，bm 代表英式英语男性）。
   • Generate subtitles: 选择字幕粒度（按句子、单词数等）。
   • Output format: 选择音频格式 (WAV, MP3, M4B 等)。
3. 开始转换：点击 "Start" 按钮，等待处理完成。

2. 启动 Web 界面 (功能更全)

包含 Supertonic TTS、LLM 文本规范化及 Audiobookshelf 集成等新特性。

abogen-web

启动后在浏览器访问显示的本地地址（通常为 http://127.0.0.1:5000）即可使用。

常用配置说明

• Voice Mixer: 可在桌面端通过混合不同声音模型创建自定义音色。
• Chapter Control: 处理电子书时，可选择特定章节或每章单独保存为音频文件。
• Queue Mode: 支持添加多个文件进入队列，批量处理且每个文件可独立设置参数。