Abogen：用 Kokoro-82M 把 EPUB/PDF/文本转成带同步字幕的有声书

Abogen（名称来自 audiobook generator 的缩写）是一个独立的文本转语音转换工具，目标是把 ePub、PDF、文本、Markdown 或字幕文件在数秒内转成高质量音频并配上匹配字幕，底层使用 Kokoro-82M 模型。官方演示显示：约 5 秒即可生成约 1 分钟音频，且字幕完全同步；作者在低端 RTX 2060 Mobile 笔记本 GPU 上处理约 3,000 字符耗时 11 秒，输出 3 分 28 秒音频。

【界面与功能差异】项目提供两种界面：abogen 为 PyQt6 桌面 GUI，提供稳定核心功能；abogen-web 为 Flask Web UI，包含核心功能外加 Supertonic TTS、LLM Normalization、Audiobookshelf 集成等更多新特性。Web UI 处于积极开发中，是目前功能最丰富的形态（贡献者 @jeremiahsb 贡献了超过 55,000 行代码）。

配图 2、配图 3 为桌面端界面截图，配图 4 为操作演示动图，配图 7 为 Web UI 界面，配图 8 为章节标记示意，配图 9 为 Star History 图表。

【桌面端使用流程】拖入 ePub、PDF、text、markdown 或字幕文件（也可用内置文本编辑器）；配置语速、音色（或用语音混合器自定义音色）、字幕生成样式、输出格式与保存位置；点击 Start 开始。主要配置项包括：输入框支持 ePub、PDF、.TXT、.MD、.SRT、.ASS、.VTT；队列选项可批量处理多个文件并为每个文件单独设置；Speed 语速 0.1x–2.

0x；Select Voice 音色命名规则为语言代码首字母 + m/f 性别字母（如 a 为美式英语、b 为英式英语）；Voice Mixer 通过 profile 系统混合不同音色模型创建自定义音色；Voice preview 可试听；Generate subtitles 支持 Disabled、Line、Sentence、Sentence + Comma、Sentence + Highlighting、1 word、2 words、3 words 等；输出音频格式支持 .WAV、.FLAC、.MP3、.

OPUS（压缩最佳）和带章节的 M4B；输出字幕格式支持 SRT（standard）、ASS（wide/narrow/centered wide/centered narrow）；还有“Replace single newlines with spaces”、保存位置（输入文件旁、桌面或自选目录）等。

【书籍处理与菜单选项】章节控制可从 ePub/Markdown 选章节、从 PDF 选章节与页码；可“每章单独保存”“创建合并版本”“保存到带元数据的项目文件夹”。

菜单可切换 System/Light/Dark 主题，配置每条字幕最大词数、章节间静音时长、日志窗口最大行数、单独章节音频格式（wav/flac/mp3/opus），创建桌面快捷方式，打开配置目录、缓存目录，清除缓存，启用“字幕间使用静音间隙”（避免为贴合字幕时间轴而加速语音），“字幕速度调整方法”可选 TTS Regeneration（质量更好）或 FFmpeg Time-stretch（速度更快），可选“使用 spaCy 进行句子切分”（避免把 Mr.、Dr.

误切；spaCy 仅在 Sentence 或 Sentence + Comma 字幕模式下使用；非英语文本在生成音频前切句，英语文本在生成字幕时切句）；可“预下载模型与音色”实现完全离线使用，可“禁用 Kokoro 的互联网访问”阻止从 HuggingFace Hub 下载，可“启动时检查更新”，可“重置为默认设置”。配图 5 为语音混合器界面，配图 6 为队列管理界面。

【语音混合器与队列模式】语音混合器通过混合不同音色模型创建自定义音色，可调整各音色权重并保存为 profile 复用。队列模式支持批量转换：.txt 与 .srt/.ass/.vtt 可直接用 Add files 按钮或拖拽加入队列；PDF、EPUB、Markdown 需在主窗口输入框中选择后点击 Add to Queue。队列中每个文件保留加入时的配置，之后修改主窗口配置不影响已入队文件；可开启“Override item settings with current selection”强制统一使用当前配置；悬停可查看每个文件的配置。

【Web UI 使用与容器】运行 abogen-web 后访问 http://localhost:8808，拖入文档即可：上传文档 → 选择音色、语言、语速、字幕样式与输出格式 → 点击 Create job → 在队列中查看实时进度与日志 → 完成后下载音频/字幕，可随时取消或删除任务并下载日志排错；多个任务由 worker 顺序执行。容器部署：

docker build -t abogen .

；

mkdir -p ~/abogen-data/uploads ~/abogen-data/outputs

；

docker run --rm -p 8808:8808 -v ~/abogen-data:/data --name abogen abogen

；上传源文件存于 /data/uploads，生成的音频/字幕出现在 /data/outputs。容器环境变量包括 ABOGEN_HOST（默认 0.0.0.0）、ABOGEN_PORT（8808）、ABOGEN_DEBUG（false）、ABOGEN_UPLOAD_ROOT（/data/uploads）、ABOGEN_OUTPUT_ROOT、ABOGEN_OUTPUT_DIR（/data/outputs）、ABOGEN_SETTINGS_DIR（/config）、ABOGEN_TEMP_DIR、ABOGEN_UID/ABOGEN_GID（1000）、ABOGEN_LLM_BASE_URL、ABOGEN_LLM_API_KEY、ABOGEN_LLM_MODEL、ABOGEN_LLM_TIMEOUT（30）、ABOGEN_LLM_CONTEXT_MODE（sentence，可选 sentence/paragraph/document）、ABOGEN_LLM_PROMPT。可用 id -u / id -g 查询本机 UID/GID 以匹配容器内文件权限。仓库自带 docker-compose.yaml 默认面向 GPU，需先安装 NVIDIA Container Toolkit，运行 docker compose up -d --build；可用 TORCH_VERSION、TORCH_INDEX_URL 控制构建，ABOGEN_DATA 指定数据目录（默认 ./data）。纯 CPU 部署需注释 compose 文件中的 deploy.resources.reservations.devices 块和可选的 runtime: nvidia 行；也可用 CLI：

docker build -f abogen/Dockerfile -t abogen-gpu . 后 docker run --rm --gpus all -p 8808:8808 -v ~/abogen-data:/data abogen-gpu

。

【LLM 辅助规范化与 Audiobookshelf 集成】Abogen 可把棘手的撇号和缩写交给 OpenAI 兼容的大模型处理：在 Settings → LLM 填入端点 Base URL（如 Ollama 用 http://localhost:11434，程序会自动追加 /v1/.）与可选 API Key，点击 Refresh models 加载模型列表并选择默认模型，调整超时与提示词模板，用预览框测试后可保存；Normalization 面板还能用当前配置合成短音频预览。

Docker/CI 场景可用 ABOGEN_LLM_* 变量预填表单（.env.example 提供本地 Ollama 示例）。Audiobookshelf 集成需在 Settings → Integrations → Audiobookshelf 填写 Base URL（HTTPS 源地址，可带路径前缀，不要加 /api）、Library ID、Folder（名称或 ID，可 Browse folders 获取）、在 ABS 的

— 本文由 AI 根据公开来源辅助整理，命令、版本与许可证请在使用前到原始页面复核。