Alexandria Audiobook Generator

无需专业配音团队，无需复杂音频编辑技巧——Alexandria 借助 AI 驱动的脚本标注与文本转语音技术，能将任意书籍、小说文本转化为带多角色配音的完整有声书。内置 Qwen3-TTS 引擎，支持本地/云端运行，搭配浏览器可视化编辑器，可逐行微调语音风格，最终导出 MP3 或适配 Audacity 的多轨编辑文件，全程自动化且高度可定制。

作为基于 Qwen3-TTS 构建的专业有声书生成工具，Alexandria 核心优势在于：通过大语言模型（LLM）自动标注脚本，为每个角色分配专属声音；支持按文本描述定制声音风格、克隆参考音频音色，甚至通过 LoRA 微调训练专属声音；批量处理效率可达实时速度的 3-6 倍，兼顾制作效率与音频质量。

核心功能特性

1. AI 驱动的脚本处理：精准标注，减少人工修正

Alexandria 依托 LLM 完成脚本的自动化解析与优化，从源头上保证有声书的叙事逻辑：

• 多端 LLM 兼容：支持 LM Studio、Ollama（本地）、OpenAI API（云端）等所有兼容 OpenAI 接口的大语言模型；
• 自动脚本标注：LLM 将纯文本解析为包含「说话人+对话内容+TTS 风格指令」的结构化 JSON 格式，无需手动拆分角色台词；
• 脚本智能审查：可选第二轮 LLM 处理，自动修正标注错误——比如剥离对话中的归属标签（“他说/她回答”）、拆分混排的叙述/对话、合并过度分割的叙述内容、验证语音指令合理性；
• 智能分块与上下文保留：按说话人将连续台词分组（单块≤500字符），保证语音播放的自然流畅；同时在区块间传递角色列表和最近3条脚本，避免角色名称、语音风格前后不一致。

2. 灵活的语音生成：自定义程度高，适配多场景

内置 Qwen3-TTS 引擎，无需依赖外部服务器，语音生成能力覆盖多语言、多风格、多定制方式：

• 多语言支持：原生支持英/中/法/德/意/日/韩/葡/俄/西等语言，也可自动检测文本语言；
• 基础语音配置：提供 9 种预训练声音（Aiden/Dylan/Eric 等），支持通过指令控制语音情感/语调；
• 高级声音定制：
  ✅ 声音克隆：仅需 5-15 秒参考音频，即可复刻任意音色；
  ✅ 声音设计：通过文本描述生成全新声音（如“温暖深沉的男声，语调平静沉稳”）；
  ✅ LoRA 微调：基于自定义数据集训练专属声音适配器，打造持久、可遵循指令的独特语音身份；
• 效率优化：支持批量处理（3-6 倍实时速度）、编解码器编译（解码速度提升 3-4 倍），非言语声音（啊/嗯/哈哈）自动生成且贴合上下文；
• 自然停顿：智能设置停顿时长——说话人切换时停顿 500 毫秒，同角色段落间停顿 250 毫秒，还原真人对话节奏。

3. 可视化 Web 编辑器：所见即所得，微调更便捷

8 标签页模块化界面，覆盖从配置到导出的全流程，新手也能快速上手：

• 核心编辑能力：可逐区块修改说话人、文本、语音指令，支持单个区块选择性再生，无需重新生成全部内容；
• 批量渲染模式：提供“标准并行”和“快速批量”两种模式，快速批量模式可最大化利用 GPU 算力；
• 实时监控与预览：操作日志、生成进度实时显示，可单独播放单区块音频或按顺序预览整本书；
• 脚本库管理：保存/加载已标注的脚本和声音配置，方便复用和二次编辑。

4. 多样化导出选项：适配不同编辑/使用需求

• 合并有声书：直接导出包含所有声音和自然停顿的单个 MP3 文件，可直接播放；
• 单独台词文件：每行台词生成独立 MP3，便于在 Audacity 等音频编辑软件中精细化调整；
• Audacity 专属导出：一键导出压缩包，内含按说话人分类的 WAV 音轨、LOF 项目文件和标签文件，导入 Audacity 即可自动生成多轨工程。

系统要求：提前准备，避免运行卡顿

使用前需确保环境满足以下条件，保证工具稳定运行：

⚠️ 重要提示：无需额外部署 TTS 服务器，Alexandria 内置 Qwen3-TTS 引擎，模型权重首次使用时自动下载（单变体约 3.5GB）；更多进阶指南可参考项目 Wiki。

快速上手：5分钟完成有声书制作

步骤1：安装部署

1. 未安装 Pinokio 先下载：Pinokio 官方地址；
2. 打开 Pinokio，点击「Download」，粘贴 URL：https://github.com/Finrandojin/alexandria-audiobook；
3. 点击「Install」安装依赖，完成后点击「Start」启动 Web 界面。

步骤2：基础配置（设置标签页）

核心配置 LLM 和 TTS 引擎，决定生成效率和效果：

• LLM 基础 URL：LM Studio 填 http://localhost:1234/v1，Ollama 填 http://localhost:11434/v1；
• LLM API 密钥：本地服务器填 local 即可，云端需填对应平台密钥；
• LLM 模型名称：推荐 qwen2.5-14b；
• TTS 模式：选 local（内置引擎，推荐），设备选 auto，语言按需选择。

步骤3：生成并优化脚本（脚本标签页）

1. 上传 .txt/.md 格式的书籍文本，点击「生成标注脚本」；
2. 可选「审查脚本」，让 LLM 自动修正标注错误（如剥离对话中的“他说”等冗余内容）。

步骤4：配置角色声音（声音标签页）

刷新声音列表后，为每个说话人配置音色：

• 自定义声音：从 9 种预训练声音中选择，添加角色风格（如“苏格兰口音”）；
• 克隆声音：上传 5-15 秒参考音频，填写准确转录文本；
• LoRA 声音：选择已训练的 LoRA 适配器，搭配风格指令；
• 声音设计：通过文本描述生成全新音色（适合次要角色）。

步骤5：微调与生成（编辑器标签页）

1. 选择「批量（快速）」模式，点击「批量渲染待处理」，最大化生成速度；
2. 逐区块检查/修改台词、指令，可单独重新生成不满意的区块；
3. 确认无误后点击「合并所有」，生成完整有声书。

步骤6：导出使用（结果标签页）

按需下载合并后的 MP3，或导出 Audacity 多轨压缩包，完成制作。

Web 界面全解析：每个标签页怎么用？

1. 设置标签页：核心参数调优

除基础配置外，这些高级设置可提升生成效率：

• 编译编解码器：开启 torch.compile，批量解码速度提升 3-4 倍（首次生成需 30-60 秒预热）；
• 并行工作线程数：数值越高批量速度越快（20-60 为宜），但显存占用越高；
• 子批处理：默认开启，按文本长度分组处理，减少 GPU 算力浪费。

2. 声音设计师标签页：无参考音频也能造音色

仅需文本描述即可生成专属声音：

1. 输入描述（如“温暖的老妇人，声音轻柔沙哑，带南方拖腔”）；
2. 用示例文本预览音色，满意后保存到库，可作为克隆声音的参考。

3. LoRA 训练标签页：打造专属语音身份

若需长期复用某类音色，可训练 LoRA 适配器：

• 数据集准备：上传 WAV 音频+metadata.jsonl，或用「数据集构建器」交互式创建；
• 核心配置：训练轮数（20+样本推荐 15-30 轮）、学习率（默认 5e-6）、LoRA 秩（8-64，高值锁定音色但表现力弱）；
• 训练提示：数据包含多情感样本（快乐/悲伤/愤怒），生成的声音更有表现力。

4. 编辑器标签页：两种渲染模式怎么选？

性能表现：速度有多快？

1. 推荐配置（最大化效率）

• TTS 模式：local；
• 编译编解码器：开启；
• 并行工作线程数：20-60；
• 渲染模式：批量（快速）。

2. 基准测试（AMD RX 7900 XTX 24GB）

3. AMD GPU 优化

使用 ROCm 环境的 AMD 显卡，工具会自动应用优化：

• 启用 MIOpen 快速查找模式，避免算力浪费；
• 为 whisper 编码器开启原生闪存注意力；
• 修复 torch.compile 兼容性问题，无需手动配置。

技术细节：脚本格式与输出文件

1. 生成的脚本格式（JSON）

结构化存储角色、文本、指令，示例：

[
  {"speaker": "NARRATOR", "text": "The door creaked open slowly.", "instruct": "Calm, even narration."},
  {"speaker": "ELENA", "text": "Ah! Who's there?", "instruct": "Startled and fearful, sharp whispered question, voice cracking with panic."}
]

• instruct 字段：2-3 句语音指令，直接控制 TTS 输出风格（如“悲痛欲绝，说话间抽泣，以啜泣声结束”）；
• 非言语声音：自动生成可发音文本（“Ah!”/“Haha!”）+ 指令，无需特殊标记。

2. 输出文件说明

• 合并有声书：cloned_audiobook.mp3（含自然停顿，可直接播放）；
• 单独台词：voicelines/ 目录下按说话人命名的 MP3，便于单句编辑；
• Audacity 导出：压缩包内含分轨 WAV、LOF 项目文件、标签文件，导入即可多轨编辑。

API 集成：程序化制作有声书

Alexandria 提供完整 REST API，支持 Python/JavaScript 集成，实现自动化制作：

Python 示例（核心流程）

import requests
import time

BASE = "http://127.0.0.1:4200"

# 上传文本文件
with open("mybook.txt", "rb") as f:
    requests.post(f"{BASE}/api/upload", files={"file": f})

# 生成脚本并等待完成
requests.post(f"{BASE}/api/generate_script")
while True:
    status = requests.get(f"{BASE}/api/status/script_generation").json()
    if status.get("status") in ["completed", "error"]:
        break
    time.sleep(2)

# 配置声音并批量生成
voice_config = {"NARRATOR": {"type": "custom", "voice": "Ryan", "character_style": "calm"}}
requests.post(f"{BASE}/api/save_voice_config", json=voice_config)

chunks = requests.get(f"{BASE}/api/chunks").json()
requests.post(f"{BASE}/api/generate_batch_fast", json={"indices": [c["id"] for c in chunks]})

# 合并并下载
requests.post(f"{BASE}/api/merge")
with open("audiobook.mp3", "wb") as f:
    f.write(requests.get(f"{BASE}/api/audiobook").content)

JavaScript 示例（核心流程）

const BASE = "http://127.0.0.1:4200";

// 上传文件
const formData = new FormData();
formData.append("file", fileInput.files[0]);
await fetch(`${BASE}/api/upload`, { method: "POST", body: formData });

// 生成脚本并等待完成
await fetch(`${BASE}/api/generate_script`, { method: "POST" });
async function waitForTask(taskName) {
  while (true) {
    const res = await fetch(`${BASE}/api/status/${taskName}`);
    const data = await res.json();
    if (data.status === "completed" || data.status === "error") return data;
    await new Promise(r => setTimeout(r, 2000));
  }
}
await waitForTask("script_generation");

// 配置声音并生成
await fetch(`${BASE}/api/save_voice_config`, {
  method: "POST",
  headers: { "Content-Type": "application/json" },
  body: JSON.stringify({ NARRATOR: { type: "custom", voice: "Ryan" } })
});

// 下载有声书
await fetch(`${BASE}/api/merge`, { method: "POST" });
const audioRes = await fetch(`${BASE}/api/audiobook`);
const blob = await audioRes.blob();
const url = URL.createObjectURL(blob);
const a = document.createElement("a");
a.href = url;
a.download = "audiobook.mp3";
a.click();

推荐 LLM 模型

脚本生成优先选择非思考型模型，效果更优：

• 首选：Qwen3（适配中文/英文，标注准确率高）；
• 备选：Qwen2.5-14b、DeepSeek-R1（需禁用思考模式令牌）。