denizsafak/abogen

项目概览

其在生成音频的同时可输出时间轴同步的字幕文件，并且支持无需联网的离线运行模式。

项目类型

模型运行 · 语音音频

应用场景

翻译字幕 · 语音音频

部署方式

查看项目说明

License

MIT

适合谁

• 注重数据隐私、希望离线处理个人或机密文档音频转换的用户。
• 需要通过简单拖拽即刻生成音频及配套字幕、无暇编写代码的普通用户或创作者。
• 硬件条件有限，只有入门级 GPU（如 RTX 2060 Mobile）甚至仅靠 CPU 也希望进行本地 TTS 转换的用户。

核心能力

• 利用 Kokoro-82M 本地模型，将 ePub、PDF、纯文本、Markdown 及字幕文件转换为高质量语音音频，满足本地化内容创作的需求。
• 在转换语音的同时生成与音频同步的字幕，提供按句子、单词切分或带高亮效果的多种风格选择。
• 支持将多种不同的预置声音模型按用户自定义的权重进行混合，生成自定义的声音特征，并可保存为独立的配置档案。
• 允许将多个文件添加至处理队列中，并可为每个文件单独设定处理参数，从而在一次任务中批量完成转换。
• 可选择集成 spaCy 自然语言处理库来更准确地检测句子边界，从而获得比单纯依赖标点符号更自然的语音断句效果。
• 支持预下载所有必需的模型与声音包，并在应用中禁用互联网访问，以便在无网或内网环境中使用转换功能。
• 计划通过集成 docling 或 tesseract 引擎，增加对扫描版 PDF 文件的 OCR 文本提取能力，以便处理非可选文本的文档。

限制与风险

• 桌面端 GUI 和 Web UI 目前存在功能差异，其中 Web UI 功能更为丰富但仍在活跃开发中，跨端体验可能不完全一致。
• 该应用当前在 Windows 平台上不支持 AMD GPU 的 ROCm 加速，相关用户只能回退至 CPU 或 Nvidia GPU 进行计算。

如何开始

• Windows 用户可通过官方提供的脚本自动完成环境配置而无需单独安装 Python，非 Windows 用户也可利用 pip 或 uv 包管理器安装，安装后运行命令并拖拽文件即可启动转换。
• 应用支持 CPU 回退或低阶 GPU（如 RTX 2060 Mobile）运行，启动时需从 HuggingFace Hub 拉取 Kokoro-82M 必需模型及声音文件，首次运行需具备网络连接。

替代方案与同类比较

• 如果需要支持多达 31 种语言的跨端（移动端/浏览器等）纯 ONNX 本地化极速 TTS 推理，而非专注于文档批处理，可考虑此方案。
• 需求偏向于对长时会议录音进行本地捕获、语音转文字及摘要提取，而非将既定文本转换为高质量音频，可选用该本地工具。

同类比较

• denizsafak/abogen vs 隐私优先的会议转写助手

核验依据

• GitHub 项目简介: Generate audiobooks from EPUBs, PDFs and text with synchronized captions.
• README: Abogen is a powerful text-to-speech conversion tool that makes it easy to turn ePub, PDF, text, markdown, or subtitle files into high-quality audio with matching subtitles in seco…
• README: [](https://github.com/denizsafak/abogen/releases/latest) [![PyPi Total Downloads](…
• README: [](https://github.com/denizsafak/abogen/releases/latest)
• README: | **Generate subtitles** | `Disabled`, `Line`, `Sentence`, `Sentence + Comma`, `Sentence + Highlighting`, `1 word`, `2 words`, `3 words`, etc. (Represents the number of words in e…

来源更新时间：2026-07-15T18:10:19Z

打开原始 GitHub 项目