字数 2577，阅读大约需 10 分钟
denizsafak 在 GitHub 上开源了一个叫 Abogen 的 TTS 工具，底层跑的是 Kokoro-82M。把电子书、PDF、txt、字幕文件丢进去，它出音频，顺手把同步字幕也出了。
如果你在找一个能本地运行、效果自然、还能自动生成字幕的TTS工具，可以试试这个。
项目简介
Abogen 是一个把 EPUB、PDF、TXT、Markdown、字幕文件转成有声书和配套字幕的开源项目。它用的是 Kokoro-82M，项目页面现在标着 4.8k Star，MIT 协议，Python 项目，桌面端和 Web UI 都有。
功能详情
1. 拖个文件进去，几秒出音频
桌面端 PyQt6 写的，界面不花哨，该有的都有。拖 ePub 或者 PDF 进输入框，语速从 0.1 拉到 2.0，挑个声音，输出格式选好，点 Start，等几秒音频就吐出来了。
拿 RTX 2060 Mobile 的笔记本跑 3000 字，11 秒出 3 分多钟音频，机器比我好的肯定更快，CPU 跑也能用，这玩意儿对显卡要求不夸张。
输出格式给了五种：WAV、FLAC、MP3、OPUS、M4B。OPUS 最实用，压缩狠，体积小，音质损失不明显。M4B 是苹果有声书格式，带章节信息，往 iPhone 或者 Audiobookshelf 里推就选它。
2. 字幕同步生成，粒度随便调
字幕这边做得细，可以按行切，按句子切，按句子加逗号切，还能按单词数切，1 个词一条、2 个词一条这样。额外有个句子加高亮模式，读到哪里亮到哪里。
单词级字幕只对英文有效，Kokoro 只给英文出了时间戳 token。其他语言走句子和逗号拆分的路子。中文用着没差多少，字幕稍微长点而已。
内置了 spaCy 做英文句子边界检测，主要对付 "Mr." "Dr." 这种缩写。不开 spaCy 它看句号就切，切得乱七八糟。Settings 里默认关着，用英文内容记得开。
3. 语音混音器，自己捏声音
这功能不太常见，不同 Kokoro 语音模型按权重混在一起，调出一个自己的声音。调完存成 profile，下次直接选，不用重新调。
能选的语言：美式英语、英式英语、西班牙语、法语、印地语、意大利语、日语、巴西葡萄牙语、中文普通话。日文和中文要多装个 misaki 包。每种语言下面男女声都有，完整列表在 Kokoro 的 VOICES.md 里。
4. 队列模式，一次扔一堆
想一次处理一堆文件，队列模式就派上用场了。txt 和字幕直接往队列列表拖，PDF、EPUB 这些从主窗口点 Add to Queue 塞进去。
加进队列之后改主窗口配置不影响已经排好的文件，每个文件绑的是加进去那一刻的设置。想统一覆盖所有文件的配置，开 Override。鼠标悬停能看每个文件绑的什么参数。
5. Web UI，比桌面端多了三样
命令行打 abogen-web，浏览器开 localhost:8808，Flask 写的界面。
Web 端比桌面端多三个东西：Supertonic TTS、LLM 文本规范化、Audiobookshelf 直连。
LLM 文本规范化，把 don't、can't、I'll 这类缩写扔给大模型处理一下再送给 TTS 引擎。Ollama 本地跑也行，OpenAI 的 API 也行，Settings 里填好 URL、key、选模型，开不开这功能发音差别还是挺明显的。
Audiobookshelf 集成，填好 Base URL、Library ID、文件夹和 API Token，生成完的音频直接推到库里。前面套了 Nginx Proxy Manager 的话记得在 Advanced 加 proxy_set_header，header 丢了上传直接挂。
6. 章节标记和元数据
处理 ePub、PDF、Markdown 的时候 Abogen 自己插 <<CHAPTER_MARKER:章节标题>>，按这些标记拆成独立音频文件。某个章节出错了只重跑那个就行。纯文本里手写这些标记也认。
M4B 支持元数据标签，文本开头写 <<METADATA_TITLE:标题>>、<<METADATA_ARTIST:作者>> 这些字段，封面图自动从 ePub 和 PDF 里提出来嵌进去。
时间戳文本也支持：txt 里每段前面写 HH:MM:SS 格式的时间码，Abogen 按这个时间轴出音频。做定时旁白或者给视频配音的时候省事。
安装
Windows 用户如果没有 Python 环境，不是开发者懒得搞这一套，直接看 WINDOWS_INSTALL.bat，它会处理一堆依赖，基本上算是一键启动
Mac 用户先装 espeak-ng，再按 README 用 uv tool install。Apple Silicon 用户要注意 Kokoro 的 MPS 支持。
Linux 用户路线最清楚，NVIDIA 直接装，AMD 看 ROCm，服务器部署看 Docker Compose。
我们想跑 Web UI，就用：
abogen-web
然后打开：
http://localhost:8808
我们想跑桌面端，就用：
abogen
安装不算费劲，照着仓库地址的README.md写的教程，很快就能安装好。
几个不爽的地方
桌面端和 Web 端功能没对齐，这个确实烦。单词级字幕中文用不了，Kokoro 的限制。Web 端跟桌面端截图风格不统一，同时用web端和桌面端感觉像在用两套不同的软件。
项目活跃度还行，issue 有人回，PR 有人合。Roadmap 里写着 PDF OCR、多语言界面翻译，能维护下去都不是事。
最后聊聊
Abogen 不是那种一眼就精致的商业产品。它像一个作者和贡献者们一路把真实需求补上去的开源项目，能解决实际需求，但使用体验就那回事吧。不过作为一个工具类软件，功能最重要嘛！
能拖 EPUB，能吃 PDF，能生成字幕，能做 M4B，能批量跑，能进 Web UI，能接 Audiobookshelf，还能让 LLM 帮忙清洗文本。我们要做有声书、配音素材、带字幕音频，它已经够用了。
我最看重的是它没有停在“文本转语音”这个浅层功能上。它开始处理生成之后的东西：章节、元数据、队列、日志、下载、书库，真正麻烦的，往往就在这些地方。
总体来说，这个开源项目优点东西，可以玩玩。
GitHub 地址：
https://github.com/denizsafak/abogen
