Kokoro-82M TTSを使い、EPUB、PDF、テキスト、字幕ファイルを字幕同期付きの音声に変換するデスクトップ/Webアプリ。
- スター
- 20,391
- フォーク
- 1,740
- 未解決の Issue
- 7
- 最終コミット
- 16 日前
これは何?
ebook2audiobook(E2A)は、EPUB、MOBI、PDFなど多数の電子書籍形式を音声ファイルに変換します。EPUBやMOBIなどの形式では章も検出できます。GradioのWebインターフェース、または単一ファイルやフォルダー全体を一括変換できるヘッドレスのコマンドラインモードで実行できます。
XTTSv2、Bark、Fairseq、VITS、Tacotron2、Tortoise、GlowTTS、YourTTSなど、複数の音声合成エンジンを統合しています。自分の音声サンプルから声をクローンしたり、カスタムモデルやファインチューニング済みモデルを読み込んだりできます。また、ポーズ、間、話者の切り替えを指定するSMLタグも追加できます。スキャンしたページ向けのOCRにも対応しています。
出力はm4b、mp3、m4a、flac、wavなどの音声形式で書き出せます。CPU、NVIDIA CUDA、AMD ROCm、Intel XPU、Apple MPS、Jetsonで動作し、ローカル、Docker、またはホスト型のColab、Kaggle、Hugging Faceノートブックから起動できます。
主な機能
- 01EPUB、MOBI、PDF、TXTなど、多数の電子書籍形式を音声に変換します。
- 02XTTSv2、Bark、VITS、Tacotron2など、複数のTTSエンジンに対応しています。
- 03ユーザーが提供した音声サンプルから、任意で声をクローンできます。
- 04ポーズ、間、書籍内での話者の切り替えを指定するSMLタグに対応しています。
- 05章情報を保持したまま、m4b、mp3、m4a、flac、wavなどの形式に書き出せます。
- 06ヘッドレスのコマンドライン、またはGradioのWebインターフェースから実行できます。
ユースケース
- 適法に入手した個人所有の電子書籍をオーディオブックに変換し、外出先で聴く。
- サーバー上のヘッドレスモードで、ドキュメントや書籍が入ったフォルダーを一括変換する。
- ナレーション制作で、さまざまなTTSエンジンやクローン音声を試す。
- アクセシビリティ向上のため、テキストコンテンツの音声版を作成する。
トピック
よくある質問
- ebook2audiobook とは?
- 複数のTTSエンジンと任意の音声クローン機能を使い、章やメタデータ付きのオーディオブックを作成します。 ebook2audiobook(E2A)は、EPUB、MOBI、PDFなど多数の電子書籍形式を音声ファイルに変換します。EPUBやMOBIなどの形式では章も検出できます。GradioのWebインターフェース、または単一ファイルやフォルダー全体を一括変換できるヘッドレスのコマンドラインモードで実行できます。
- ebook2audiobook は無料で使えますか?ライセンスは?
- ebook2audiobook は Apache-2.0 ライセンスのオープンソースです。商用製品で使う前にライセンス条件を確認してください。
- ebook2audiobook は今もメンテナンスされていますか?
- 活発にメンテナンス中。ebook2audiobook の最終コミットは 2026年10月6日 です。
- ebook2audiobook は何に使えますか?
- 適法に入手した個人所有の電子書籍をオーディオブックに変換し、外出先で聴く。 サーバー上のヘッドレスモードで、ドキュメントや書籍が入ったフォルダーを一括変換する。 ナレーション制作で、さまざまなTTSエンジンやクローン音声を試す。 アクセシビリティ向上のため、テキストコンテンツの音声版を作成する。
- ebook2audiobook はどこで入手できますか?
- ソースコードとインストール手順は GitHub にあります:https://github.com/DrewThomasson/ebook2audiobook
概要はプロジェクトの README をもとに AI が生成しています。GitHub の数値は毎日更新されます。
関連プロジェクト
音声合成、ボイスクローン、Whisper文字起こし、YouTubeダウンロード、音声分離、吹き替え用翻訳を備えたWindows向けGradioアプリ。
LLM系モデルを基盤とするオープンソースの音声合成システム。ボイスクローニング、自然言語による感情制御、複数話者の音声生成に対応します。
CPUでリアルタイム動作する0.1Bパラメータの多言語音声合成モデル。ボイスクローニングに対応し、48 kHzステレオ音声を出力します。
646言語に対応した、音声クローンや音声デザイン、動画吹き替え、文字起こしなどを行うローカル優先のオープンソース音声スタジオ。
VoxCPM2は、30言語に対応し、テキストの説明からの音声設計や短い参照音声からの音声クローンが可能な、オープンソースのトークナイザーフリー音声合成モデルです。