Abogen：开源有声书生成器，把 EPUB/PDF 一键转成带字幕的音频，本地运行、自然发音

一句话

Abogen 是一个把电子书、PDF、TXT、Markdown、字幕文件转成有声书和配套字幕的开源 TTS 工具。底层跑的是 Kokoro-82M 模型，不需要云服务，本地运行，效果自然。

denizsafak/abogen ⭐ 4.8K

🐍 Python

MIT

2025 年 4 月发布

为什么需要它？

做有声书、配音素材、带字幕音频这件事，一直处于”要么花钱、要么折腾”的状态：

Abogen 做了一件事：把这条流程串起来，打包成一个安装即用的工具。 拖个文件进去，出来的是带字幕的音频，中间什么都不用管。

核心功能

1. 拖进文件，几秒出音频

桌面端 PyQt6 写的，不花哨但该有的都有。拖 EPUB 或 PDF 进输入框，调语速（0.1-2.0）、选声音、选格式，点 Start，几秒后音频就出来了。

实测：RTX 2060 Mobile（笔记本中端卡）跑 3000 字，11 秒出 3 分多钟音频。CPU 也能跑，对显卡要求不高。

输出格式给了五种：

M4B 格式带章节信息，推给 iPhone 或 Audiobookshelf 体验最好。

2. 同步字幕生成，粒度可调

这是 Abogen 最实用的功能之一——语音和字幕同步生成，而且字幕的分段粒度可以精确控制：

• 按行切
• 按句子切
• 按句子+逗号切
• 按单词数切（1 词/条、2 词/条……）
• 句子高亮模式：读到哪里亮到哪里

注意：单词级字幕只对英文有效（Kokoro 只给英文出了 token 级时间戳）。中文走句子和逗号拆分路径，体验不差，只是字幕稍长。

内置 spaCy 做英文句子边界检测，主要对付 “Mr.” “Dr.” 这类缩写。Settings 里默认关闭，用英文内容记得开。

3. 语音混音器，自己捏声音

这个功能比较少见——不同 Kokoro 语音模型按权重混在一起，调出自己的声音。调完保存成 profile，下次直接选，不用重新调。

支持的语言：

4. 队列模式，批量处理

一次处理一堆文件的场景：

• txt 和字幕文件直接拖进队列列表
• PDF、EPUB 等从主窗口点 “Add to Queue”
• 每个文件绑定加入队列时的配置，改主窗口配置不影响已排文件
• “Override” 开关统一覆盖所有文件配置

5. Web UI（比桌面端多三样）

命令行打 abogen-web，浏览器开 localhost:8808，Flask 写的界面。比桌面端多出的核心功能：

LLM 文本规范化——把 don’t、can’t、I’ll 这类缩写丢给大模型处理完再送给 TTS。Ollama 本地跑也行，OpenAI API 也行。Settings 里填 URL、key、选模型，不开这功能发音差别挺明显。

Audiobookshelf 直连——填好 Base URL、Library ID、文件夹和 API Token，生成完的音频直接推书库。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。

Supertonic TTS——额外的 TTS 引擎选项。

6. 章节标记和元数据处理

ePub、PDF、Markdown 文件处理时自动插入 <<CHAPTER_MARKER:章节标题>> 标记，按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:三体>>
<<METADATA_ARTIST:刘慈欣>>

封面图自动从 ePub 和 PDF 里提取嵌入。

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 按时间轴出音频，做定时旁白或视频配音时省事。

安装

Windows

如果不想折腾 Python 环境，直接下载仓库跑 WINDOWS_INSTALL.bat，它自己会处理所有依赖（包括 Python 和 CUDA），基本算一键启动。唯一需要手动装的是 espeak-ng。

用 uv 安装（推荐）：

# NVIDIA GPU
uv tool install --python 3.12 abogen[cuda] --extra-index-url https://download.pytorch.org/whl/cu128

# 无 GPU / AMD
uv tool install --python 3.12 abogen

macOS

brew install espeak-ng

# Apple Silicon
uv tool install --python 3.13 abogen --with "kokoro @ git+https://github.com/hexgrad/kokoro.git,numpy<2"

Linux

sudo apt install espeak-ng  # Ubuntu/Debian

# 含 CUDA 支持
uv tool install --python 3.12 abogen[cuda] --extra-index-url https://download.pytorch.org/whl/cu128

使用

启动桌面端：

abogen

启动 Web UI：

abogen-web
# 浏览器打开 http://localhost:8808

底层模型：Kokoro-82M

Abogen 底层用的是 Kokoro-82M，一个 8200 万参数的开源 TTS 模型：

82M 参数的模型能在消费级 GPU 上实时推理，这是 Abogen 可以广泛部署的基础。MIT + Apache-2.0 双开源许可，没有商用顾虑。

同类项目对比

几个不太爽的地方

• 桌面端和 Web 端功能没对齐。Web 端有 LLM 规范化 / Audiobookshelf 集成 / Supertonic TTS，桌面端还没有。用两个界面感觉像在用两套软件。
• 单词级字幕中文用不了。Kokoro 的限制，只给英文出了 token 级时间戳。
• Web UI 和桌面端截图风格不统一，UI/UX 没有做到一致。
• Kokoro-82M 的中文发音可以接受，但如果对中文 TTS 有超高要求（比如播客级），可能需要考虑专门的商业中文 TTS。

项目状态

Roadmap 里有 PDF OCR、多语言界面翻译，项目维护状态健康，issue 有人回，PR 有人合。

总结

Abogen 不是那种一眼精致的商业产品。它是一个作者和贡献者们把真实需求一个个补上去的开源项目——能解决你的问题，但使用体验还有打磨空间。

不过工具类的评判标准从来都是功能 > 体验：

• 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 ✅
• 能让 LLM 帮忙洗文本 ✅
• 完全本地离线 ✅

最值得说的是，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事情：章节提取、元数据、队列管理、书架集成。真正麻烦的，往往就在这些地方。

项目地址：github.com/denizsafak/abogen

参考资料

• 原文：mp.weixin.qq.com/s/O02XieSaMvCYW4TOoqAn6w
• GitHub API 数据：stars 4,874 / forks 321 / MIT / 2025-04 创建
• Kokoro-82M：huggingface.co/hexgrad/Kokoro-82M
• PyPI：pypi.org/project/abogen