ebook2audiobook：开源电子书转有声书工具，支持 1110 + 语言与多模型语音克隆
一、ebook2audiobook是什么？
ebook2audiobook是一款开源的电子书转有声书工具，核心功能是将非DRM合法电子书转换为带章节结构与元数据的有声书。工具支持1110+种语言，集成XTTSv2、Bark、Vits等主流TTS引擎，可实现高质量语音生成与自定义语音克隆（仅需6秒内.wav文件），兼容.epub、.mobi、.pdf等20+种电子书输入格式，输出.m4b、.mp3、.flac等10种音频格式。工具支持CPU/GPU/MPS（Apple Silicon）运行，提供Gradio可视化界面与Headless命令行两种使用模式，还可通过Docker容器化部署解决依赖冲突，最低仅需4GB RAM即可运行，适用于个人听书、教育辅助、内容创作等场景。
从核心定位来看，它并非简单的“文本转语音工具”，而是针对“电子书场景”优化的完整解决方案——不仅能实现文本到音频的转换，还能自动识别电子书的章节结构、保留元数据（如书名、作者、章节名），最终生成符合收听习惯的“结构化有声书”，而非零散的音频片段。
在合规性上，项目明确标注“仅支持非DRM、合法获取的电子书”：DRM（数字版权管理）是电子书常见的版权保护技术，破解或转换DRM保护的电子书可能涉及侵权，因此工具从设计上拒绝处理此类文件，开发者也明确声明“不对任何 misuse 工具的行为及法律后果负责”，用户需遵守当地版权法规。
从技术属性来看，ebook2audiobook是一款“轻量且灵活”的工具：最低仅需4GB RAM即可运行，兼容Intel/AMD/ARM架构的CPU，以及NVIDIA、AMD（即将支持）、Intel（即将支持）的GPU，甚至适配Apple Silicon芯片的MPS加速（即将支持）；同时提供可视化GUI与命令行两种模式，支持本地运行与Docker部署，满足不同技术背景用户的需求（新手用GUI，开发者用命令行批量处理）。
二、ebook2audiobook的功能特色
ebook2audiobook的核心竞争力在于“全场景覆盖”——从输入格式、语言支持，到语音质量、使用模式，均围绕“电子书转有声书”的核心需求设计，具体特色可分为以下6点：
1. 多格式兼容：输入覆盖20+电子书类型，输出支持10种音频格式
工具对“输入”与“输出”格式的兼容性极强，无需用户手动转换文件格式即可直接使用，其中输入格式针对“章节识别”做了优化，输出格式则兼顾不同播放设备的需求。具体格式支持如下表所示：
| 类别 | 支持格式列表 | 关键说明 |
|---|---|---|
| 输入格式（20+种） |
最佳适配：.epub、.mobi 常用格式：.pdf、.txt、.rtf、.doc、.docx、.html、.odt 其他格式：.azw3、.fb2、.lit、.rb、.snb、.tcr、.azw、.chm、.pdb、.cbr、.cbz、.prc、.lrf、.pml、.cbc |
1. .epub和.mobi是最佳选择：这两种格式原生包含章节结构标签（如EPUB的<chapter>标签、MOBI的内容索引），工具可自动拆分章节，无需手动处理；2. .pdf格式需注意：若为“图片扫描版PDF”（无文本图层），工具无法识别文本，需先转换为“可复制文本版PDF”； 3. 无标准结构的文件（如纯.txt）：需手动删除前言、广告、注释等无用文本，避免转换后音频包含冗余内容 |
| 输出格式（10种） | .m4b、.m4a、.mp4、.webm、.mov、.mp3、.flac、.wav、.ogg、.aac |
1. 所有格式均默认包含章节信息与元数据（如书名、章节名），可在播放器中直接跳转章节； 2. 默认输出格式可在 ./lib/conf.py文件中修改（如将默认改为.mp3以适配多数设备）；3. .m4b是有声书专用格式：支持章节标记与书签功能，适合长时间听书场景 |
2. 多TTS引擎支持：从默认高质量到自定义模型，满足不同音质需求
工具集成了6种主流TTS（文本转语音）引擎，用户可根据“语言兼容性”“音质需求”“硬件性能”选择合适的引擎，甚至支持上传自定义模型以实现个性化语音效果：
默认引擎：XTTSv2：由Coqui团队开发的多语言TTS模型，支持零-shot语音克隆（无需大量训练数据），音质接近真人，且对多语言的适配性最优，是工具的默认选择，适合多数用户的日常需求。
可选引擎：
Bark：由Suno AI开发，支持多语言与情感语音（如欢快、低沉），生成的语音更具“表现力”，适合小说、故事类电子书；
Vits：轻量级模型，占用内存小、转换速度快，适合CPU运行或低配置设备；
Fairseq/Tacotron2/YourTTS：均为成熟的开源TTS模型，其中YourTTS专注于多语言语音克隆，Fairseq则在小语种支持上更具优势，适合特殊语言场景。
自定义模型：用户可上传自己训练的TTS模型（需压缩为.zip文件），但需包含模型运行的“ mandatory 文件”——以XTTSv2自定义模型为例，需包含
config.json（模型配置参数）、vocab.json（模型词汇表）、model.pth（模型权重文件）、ref.wav（语音参考文件），具体要求可参考项目内./lib/models.py文档。
3. 语音克隆：6秒.wav文件实现“自定义声音”，支持多语言适配
语音克隆是工具的核心亮点之一，无需复杂的训练流程，仅需上传一段6秒内的.wav语音文件，即可让有声书以“目标声音”生成（如用自己的声音、家人的声音听书），且针对不同语言做了采样率优化：
文件要求：
格式：仅支持.wav（无压缩音频格式，确保音质）；
采样率：主要语言（如中文、英文、 Spanish、法语等）需24000hz，其他小语种需22050hz（采样率不匹配会导致克隆语音失真）；
时长：不超过6秒（过长会增加模型处理压力，反而降低克隆精度，建议选择“清晰、无噪音”的短句，如“今天天气很好”）。
使用场景：适合对语音有个性化需求的用户，例如：用孩子的声音听儿童绘本、用熟悉的方言声音听地方文学作品、用外语母语者的声音听外语教材（辅助发音学习）。
4. 1110+语言覆盖：从主流语言到小语种，打破语言壁垒
工具支持1110+种语言及方言，是同类工具中语言覆盖最广的之一，默认语言为英文（代码：en），支持两种语言代码格式：ISO-639-3（3位代码，如“ita”代表意大利语）与ISO-639-1（2位代码，如“zh”代表中文），用户可通过--language参数指定语言。
以下为部分主流语言的支持情况（完整列表可参考项目“List of Supported languages”文档）：
| 语言类别 | 语言名称（中文） | 语言代码（ISO-639-1/3） | 适配TTS引擎 |
|---|---|---|---|
| 中文及周边语言 | 中文 | zh/chi | XTTSv2、Bark、YourTTS |
| 日语 | ja/jpn | XTTSv2、Bark | |
| 韩语 | ko/kor | XTTSv2、Fairseq | |
| 欧美语言 | 英文 | en/eng | 所有引擎（优先XTTSv2） |
| 西班牙语 | es/spa | XTTSv2、Bark | |
| 法语 | fr/fra | XTTSv2、Tacotron2 | |
| 德语 | de/deu | XTTSv2、Vits | |
| 其他语言 | 印地语 | hi/hin | XTTSv2、Fairseq |
| 阿拉伯语 | ar/ara | XTTSv2、YourTTS | |
| 斯瓦希里语 | sw/swa | Fairseq |
小语种支持依赖于TTS引擎的训练数据，例如Fairseq对非洲、东南亚小语种的适配性更强，用户可根据目标语言选择对应的引擎（工具会默认推荐适配性最优的引擎）。
5. 章节与文本优化：自动拆分+手动控制，提升听书体验
工具针对“听书场景”做了细节优化，避免因“文本结构混乱”导致的收听体验差问题：
自动章节拆分：对.epub、.mobi等含结构的格式，工具会自动识别章节标题（如“第一章 序章”），并按章节生成独立的音频片段，最终合并为带章节标记的有声书文件（如.m4b），用户在播放器中可直接跳转至目标章节（如从“第三章”跳至“第五章”）。
手动停顿控制：支持在文本中添加“停顿标记”——输入“###”或“[pause]”，工具会在对应位置插入1.4秒的静音，适合在“段落结尾、对话间隔、情感转折”处使用，例如在小说中“他说：‘你还好吗？’”后添加“###”，避免语音连读导致的理解困难。
文本预处理提示：对无标准结构的文件（如纯.txt），工具会提示用户“手动删除无用文本”——例如电子书开头的“版权声明”、结尾的“参考文献”，或中间的“广告插页”，确保转换后的音频仅包含核心内容。
6. 轻量化与跨硬件支持：低配置可运行，高配置能加速
工具在“性能适配”上表现优异，既支持低配置设备（如4GB RAM的笔记本），也能利用高性能硬件（如NVIDIA GPU）提升转换速度：
内存要求：最低4GB RAM（仅CPU运行时），推荐8GB RAM（GPU运行或批量转换时），内存不足会导致转换速度变慢，但不会直接崩溃（工具会自动调整“文本分段大小”以适配内存）。
处理器支持：
CPU：兼容Intel、AMD、ARM架构（如树莓派的ARM CPU），仅需满足Python运行环境即可；
GPU：优先支持NVIDIA GPU（通过CUDA加速，转换速度比CPU快3-5倍，接近实时生成），AMD、Intel GPU即将支持；
MPS：Apple Silicon芯片（如M1、M2）的MPS加速功能即将支持，解决苹果用户“GPU利用率低”的问题。
系统兼容：支持Windows 10+、Linux（Ubuntu/CentOS等）、MacOS 12+，无系统版本过高的限制。
三、ebook2audiobook的技术细节
1. 核心技术栈：从“电子书解析”到“音频生成”的全链路依赖
工具的技术栈围绕“电子书处理→文本预处理→TTS生成→音频组装”四个核心环节构建，所有依赖均为开源工具或库，确保项目的可复现性与可扩展性：
| 技术环节 | 核心依赖工具/库 | 作用说明 |
|---|---|---|
| 电子书解析 | Calibre（开源电子书管理工具）、ebooklib（Python库） | 解析.epub、.mobi等格式的电子书，提取文本内容与章节结构，排除DRM保护文件 |
| 文本预处理 | NLTK（自然语言处理库）、正则表达式 | 清洗文本（去除特殊符号、多余空格）、拆分长文本（避免TTS模型处理超时）、识别章节标题 |
| TTS生成 | Coqui TTS（XTTSv2/YourTTS）、Suno Bark、Vits（开源TTS库） | 将预处理后的文本转换为音频，支持语音克隆与多语言生成 |
| 音频组装 | FFmpeg（开源音频处理工具）、pydub（Python音频库） | 合并章节音频、添加元数据（书名、章节名）、转换输出格式 |
| 可视化界面 | Gradio（Python Web框架） | 提供拖拽上传、参数选择、进度显示的GUI界面，无需编写代码即可使用 |
| 容器化部署 | Docker、Docker Compose | 打包所有依赖（Python环境、TTS模型、工具），解决“环境配置难”问题 |
2. 工作流程：5步完成“电子书→有声书”转换
工具的工作流程高度自动化，用户仅需上传文件或指定参数，即可完成全流程转换，具体步骤如下：
输入解析与合规检查：
读取用户上传的电子书文件（或指定路径的文件），通过Calibre判断是否含DRM保护——若含DRM，直接提示“不支持该文件”并终止流程；
对非DRM文件，提取文本内容与章节结构（如.epub文件提取
<body>标签内的文本，识别<h1>/<h2>标签作为章节标题）。文本预处理：
清洗文本：去除文本中的HTML标签（如
<p>）、特殊符号（如“★”“→”）、多余空格，确保文本仅含“可朗读内容”；拆分文本：将单章节的长文本拆分为“500字以内的片段”（TTS模型对长文本处理效率低，拆分后可并行生成音频）；
识别停顿标记：若用户在文本中添加“###”或“[pause]”，替换为对应的“静音时长标记”（1.4秒）。
TTS模型加载与语音生成：
根据用户选择的TTS引擎（如XTTSv2），自动下载预训练模型（首次使用需下载，后续复用）；
若开启语音克隆，加载用户上传的.wav文件，提取语音特征并传入TTS模型；
按“文本片段”批量生成音频，GPU用户可并行处理多个片段（CPU用户按顺序处理），生成的音频片段临时存储在
./tmp目录。音频组装与元数据添加：
按章节顺序合并音频片段（如“第一章”的所有片段合并为一个音频文件）；
通过FFmpeg添加元数据：包括书名（从电子书提取）、章节名（从章节标题提取）、作者（若电子书含作者信息）、音频格式（如.mp3的比特率）；
若用户指定输出格式（如.m4b），将合并后的音频转换为目标格式。
输出与清理：
将最终的有声书文件保存至
./audiobooks目录（默认路径，可通过--output_dir参数修改）；删除
./tmp目录下的临时音频片段，释放磁盘空间。
3. 性能优化：平衡“速度”与“资源占用”
工具在性能上做了多项优化，确保不同硬件配置的用户都能获得较好的体验：
GPU加速逻辑：对NVIDIA GPU用户，自动启用CUDA加速（需安装NVIDIA驱动与CUDA Toolkit），TTS模型的推理速度提升3-5倍——例如100页的.epub文件，CPU需30分钟转换，GPU仅需6-8分钟；
内存控制：通过“文本分段大小自适应”机制，若检测到内存不足（如4GB RAM），自动将文本片段从“500字”缩小至“200字”，避免内存溢出；
模型缓存：首次下载的TTS模型（如XTTSv2）会缓存至
./models目录，后续使用无需重复下载，节省带宽与时间；Docker镜像优化：预构建的Docker镜像仅包含“必要依赖”，体积控制在2GB以内（不含TTS模型，模型在首次运行时下载），避免镜像过大导致的下载缓慢。
四、ebook2audiobook的应用场景
工具的应用场景覆盖“个人”“教育”“内容创作”“企业”四大领域，核心是解决“‘不方便阅读’但‘需要获取文本信息’”的需求：
1. 个人用户：打造“个性化听书体验”
通勤/运动听书：将小说、散文等电子书转为有声书，在地铁、跑步时收听，充分利用碎片时间——例如将《三体》.epub文件转为.m4b格式，通勤1小时可听1章，无需盯着屏幕；
视力障碍者辅助：对视力不佳或完全失明的用户，有声书是获取文本信息的重要方式，工具支持的1110+语言可覆盖不同语言背景的视力障碍者，且语音克隆功能可让他们用“熟悉的声音”听书（如家人的声音）；
外语学习：将外语教材（如英语《哈利波特》、日语《挪威的森林》）转为有声书，结合“语音克隆”（用外语母语者的声音），既能听故事，又能学习发音——例如用英语母语者的.wav文件克隆语音，听书时模仿语音语调，提升口语能力；
儿童听书：将儿童绘本（如《小猪佩奇》.pdf文件）转为有声书，用孩子喜欢的声音（如卡通角色的声音、父母的声音）生成，避免孩子长时间看屏幕损伤视力。
2. 教育场景：辅助“教材与阅读材料”的传播
学校/培训机构：将教材、习题集转为有声书，供学生在课后复习——例如小学语文教材（.epub格式）转为有声书，学生可在回家路上听课文，加深记忆；
多语言教学：针对双语学校或小语种教学，将教学材料转为对应语言的有声书——例如西班牙语课堂上，将课文转为西班牙语有声书，帮助学生熟悉听力；
特殊教育：对有阅读障碍（如 dyslexia）的学生，有声书可降低阅读难度，工具的“手动停顿”功能可让教师在重点内容处添加停顿，帮助学生理解（如在数学公式“1+2=3”后添加停顿，让学生有时间反应）。
3. 内容创作者：低成本制作“有声书内容”
自媒体博主：制作有声书类内容（如“睡前故事”“名著解读”），上传至抖音、B站等平台——由于工具仅支持非DRM合法电子书，创作者需使用原创文本或获得授权的文本（如公共领域名著），避免版权问题；
独立作者：将自己的小说、散文转为有声书，在微信公众号、喜马拉雅等平台分发，拓展内容形态——例如独立作者将自己的短篇小说（.txt格式）转为有声书，用自己的声音克隆生成，增加与读者的情感连接；
播客制作：为播客节目准备“文本转语音”片段，例如在播客中插入“名著节选”的有声片段，无需手动录制，节省制作时间。
4. 企业/机构：提升“内部文档”的传递效率
企业培训：将员工手册、培训材料（如《产品知识手册》.docx文件）转为有声书，员工可在通勤时收听，提升培训覆盖率——例如销售团队成员在出差路上听产品知识有声书，无需携带纸质手册；
政府/公益机构：将政策文件、公益宣传材料（如《垃圾分类指南》.pdf文件）转为多语言有声书，面向不同语言背景的人群传播——例如在多民族地区，将政策文件转为汉语、维吾尔语、藏语等多语言有声书，确保信息传递无死角；
图书馆/档案馆：将公共领域的古籍、文献（如民国时期的报纸扫描件转为可文本的.pdf）转为有声书，供读者在线收听，保护古籍的同时提升利用效率。
五、ebook2audiobook的使用方法
工具提供三种使用模式：Gradio GUI（可视化，推荐新手）、Headless命令行（批量处理，推荐开发者）、Docker部署（解决依赖冲突，推荐所有用户），以下为详细步骤：
1. 前置准备：克隆仓库（所有模式通用）
无论选择哪种模式，首先需克隆GitHub仓库（需安装Git工具，若无Git可直接下载仓库压缩包）：
# 克隆仓库 git clone https://github.com/DrewThomasson/ebook2audiobook.git # 进入项目目录 cd ebook2audiobook
若未安装Git，可访问仓库地址（https://github.com/DrewThomasson/ebook2audiobook），点击右上角“Code”→“Download ZIP”，解压后进入文件夹。
2. 模式1：Gradio GUI（可视化，新手首选）
Gradio GUI提供拖拽上传、参数选择、进度显示的界面，无需编写代码，适合非技术背景用户，步骤如下：
（1）启动GUI（分系统）
| 操作系统 | 启动方式 |
|---|---|
| Windows |
双击项目目录中的ebook2audiobook.cmd文件，或在终端中运行：ebook2audiobook.cmd |
| Linux/MacOS |
在终端中运行：./ebook2audiobook.sh（若提示“权限不足”，先运行chmod +x ebook2audiobook.sh） |
| MacOS |
也可双击Mac Ebook2Audiobook Launcher.command文件，自动打开终端并启动 |
（2）使用GUI界面
启动后，终端会输出类似以下内容：
Running on local URL: http://localhost:7860 Running on public URL: https://xxxx-xxxx-xxxx-xxxx.gradio.live （仅添加--share参数时显示）
打开浏览器访问http://localhost:7860，进入GUI界面，主要分为“Input Options（输入选项）”与“Audio Generation Preferences（音频生成偏好）”两部分：
Input Options：
电子书文件：拖拽或点击“Upload”上传非DRM电子书（如.epub、.mobi）；
语音克隆文件（可选）：拖拽或上传.wav文件（需符合6秒内、对应采样率要求）；
自定义模型（可选）：若需使用自定义TTS模型，拖拽上传包含 mandatory 文件的.zip压缩包。
Audio Generation Preferences：
Processor Unit：选择“CPU”或“GPU”（若有NVIDIA GPU，优先选GPU以加速）；
Language：选择电子书语言（如“Chinese”，默认英文）；
TTS Base：选择TTS引擎（默认XTTSv2，新手无需修改）。
设置完成后，点击“Submit”按钮，界面会显示转换进度（如“正在解析电子书”“正在生成第1章音频”），转换完成后，点击“Download”按钮下载有声书文件（默认保存至./audiobooks目录）。
（3）生成公共链接（远程访问）
若需让他人远程访问你的GUI界面（如协助朋友转换），可在启动时添加--share参数：
Windows：
ebook2audiobook.cmd --shareLinux/MacOS：
./ebook2audiobook.sh --share终端会生成一个公共URL（如https://xxxx-xxxx-xxxx-xxxx.gradio.live），他人打开该链接即可使用你的GUI界面（链接有效期24小时，且需你的设备保持运行）。
3. 模式2：Headless命令行（批量处理，开发者首选）
Headless模式无界面，通过命令行参数指定输入输出，适合批量转换或脚本集成（如定时转换多个电子书），步骤如下：
（1）基础命令格式（分系统）
| 操作系统 | 基础命令格式 |
|---|---|
| Windows | ebook2audiobook.cmd --headless --ebook <电子书路径> [可选参数] |
| Linux/MacOS | ./ebook2audiobook.sh --headless --ebook <电子书路径> [可选参数] |
（2）核心参数说明
| 参数 | 作用说明 | 示例 |
|---|---|---|
--headless | 启用Headless模式（必须添加，否则启动GUI） | 无 |
--ebook <路径> |
指定单个电子书文件路径（必填，不可与--ebooks_dir同时使用） | --ebook ./ebooks/三体.epub |
--ebooks_dir <路径> |
指定电子书文件夹路径（批量转换，不可与--ebook同时使用） | --ebooks_dir ./my_ebooks |
--voice <路径> | 指定语音克隆.wav文件路径（可选） | --voice ./voices/my_voice.wav |
--language <代码> | 指定语言代码（可选，默认eng） | --language zh（中文）、--language ja（日语） |
--device <类型> | 指定处理器（可选，默认自动检测） | --device gpu（GPU）、--device cpu（CPU） |
--output_dir <路径> | 指定输出目录（可选，默认./audiobooks） | --output_dir ./my_audiobooks |
--output_format <格式> | 指定输出格式（可选，默认.m4b） | --output_format mp3 |
（3）示例命令
单个电子书转换（中文，GPU，输出.mp3）：
Windows：
ebook2audiobook.cmd --headless --ebook ./ebooks/三体.epub --language zh --device gpu --output_format mp3
Linux/MacOS：
./ebook2audiobook.sh --headless --ebook ./ebooks/三体.epub --language zh --device gpu --output_format mp3
批量转换（文件夹内所有电子书，语音克隆）：
Linux/MacOS：
./ebook2audiobook.sh --headless --ebooks_dir ./my_ebooks --voice ./voices/mom_voice.wav --language zh --output_dir ./family_audiobooks
使用自定义模型（XTTSv2自定义模型）：
Windows：
ebook2audiobook.cmd --headless --ebook ./ebooks/小王子.epub --custom_model ./models/my_xtts_model.zip --language fr（法语）
（4）查看所有参数
若需了解更多参数（如TTS模型的温度参数、采样参数），可运行以下命令查看帮助文档：
Windows：
ebook2audiobook.cmd --helpLinux/MacOS：
./ebook2audiobook.sh --help全系统通用：
python app.py --help
4. 模式3：Docker部署（解决依赖冲突，推荐所有用户）
Docker部署可打包所有依赖（Python环境、TTS工具、FFmpeg等），避免“本地环境配置难”“依赖版本冲突”问题，步骤如下：
（1）前置准备：安装Docker
Windows/MacOS：下载Docker Desktop（https://www.docker.com/products/docker-desktop/），安装后启动；
Linux：参考Docker官方文档安装（https://docs.docker.com/engine/install/），启动Docker服务：`sudo systemctl start docker`。
（2）使用预构建镜像（推荐，无需构建）
项目提供预构建的Docker镜像（athomasson2/ebook2audiobook），标签latest对应CUDA 11.8（支持NVIDIA GPU），直接运行即可：
CPU-only运行（无GPU）：
docker run --pull always --rm -p 7860:7860 athomasson2/ebook2audiobook
--pull always：每次运行前拉取最新镜像；--rm：容器停止后自动删除；-p 7860:7860：将容器的7860端口映射到本地7860端口（对应Gradio界面）。NVIDIA GPU加速运行：
docker run --pull always --rm --gpus all -p 7860:7860 athomasson2/ebook2audiobook
--gpus all：启用所有NVIDIA GPU（需安装NVIDIA Container Toolkit）。Headless模式运行（Docker命令行）： 若需在Docker中使用Headless模式，需挂载本地目录（让容器访问本地的电子书文件与输出目录）：
# 1. 本地创建输入（input-folder）与输出（audiobooks）目录 mkdir input-folder && mkdir audiobooks # 2. 复制电子书到input-folder目录 # 3. 运行Docker命令（批量转换input-folder内的电子书） docker run --pull always --rm \ -v $(pwd)/input-folder:/app/input_folder \ -v $(pwd)/audiobooks:/app/audiobooks \ athomasson2/ebook2audiobook \ --headless --ebooks_dir /app/input_folder --language zh --output_dir /app/audiobooks
-v $(pwd)/input-folder:/app/input_folder：将本地input-folder目录挂载到容器的/app/input_folder目录；转换完成后，有声书文件会保存在本地
audiobooks目录。
（3）自定义构建镜像（按需修改）
若需修改镜像配置（如指定PyTorch版本、跳过XTTSv2测试），可本地构建镜像：
# 基础构建命令 docker build -t athomasson2/ebook2audiobook . # 可选参数：指定PyTorch版本（如cuda121） docker build --build-arg TORCH_VERSION=cuda121 -t athomasson2/ebook2audiobook . # 可选参数：跳过XTTSv2测试（节省镜像体积） docker build --build-arg SKIP_XTTS_TEST=true -t athomasson2/ebook2audiobook .
--build-arg TORCH_VERSION：支持的参数值包括cuda121（CUDA 12.1）、cuda118（CUDA 11.8）、rocm（AMD GPU）、xpu（Intel GPU）、cpu（仅CPU）；--build-arg SKIP_XTTS_TEST=true：跳过XTTSv2模型的测试步骤，减少镜像体积约500MB。
（4）Docker Compose部署（适合长期运行）
若需长期运行工具（如作为家庭服务器的“有声书转换服务”），可使用Docker Compose：
进入项目目录，修改
docker-compose.yml文件：将*gpu-disabled改为*gpu-enabled（启用GPU，默认禁用）；启动服务：
# Docker docker-compose up -d （首次启动或更新时加--build：docker-compose up -d --build） # Podman（若用Podman替代Docker） podman compose -f podman-compose.yml up -d
访问界面：打开
http://localhost:7860即可使用，服务会在后台持续运行，重启设备后需重新启动。
六、常见问题解答（FAQ）
1. 问题：NVIDIA GPU未被检测到，无法启用GPU加速？
解决方案：
确认已安装NVIDIA显卡驱动（版本需≥450.80.02），可通过
nvidia-smi命令检查（Windows需在PowerShell中运行，Linux/MacOS在终端运行）；安装NVIDIA Container Toolkit（Docker支持GPU的必要组件）：
Linux：参考官方文档（https://docs.nvidia.com/datacenter/cloud-native/container-toolkit/install-guide.html）；
Windows/MacOS：确保Docker Desktop的“Settings→Resources→GPU”已勾选；
若仍未检测到，参考项目“GPU ISSUES Wiki Page”（仓库内链接），或在GitHub Issues中搜索类似问题（多数为驱动版本不兼容）。
2. 问题：Docker运行时，TTS模型下载卡住（进度条不动）？
解决方案： 部分设备因“进度条机制”导致下载卡住，可通过禁用进度条解决，在Docker命令中添加环境变量HF_HUB_DISABLE_PROGRESS_BARS=1与HF_HUB_ENABLE_HF_TRANSFER=0：
docker run --pull always --rm --gpus all \ -e HF_HUB_DISABLE_PROGRESS_BARS=1 \ -e HF_HUB_ENABLE_HF_TRANSFER=0 \ -p 7860:7860 athomasson2/ebook2audiobook
该方法来自项目#191 Issue的社区解决方案，已验证有效。
3. 问题：本地运行时提示“依赖缺失”（如“找不到calibre”“ffmpeg未安装”）？
解决方案：
优先选择Docker部署：Docker镜像已包含所有依赖，无需手动安装；
若坚持本地安装，需手动安装
REQUIRED_PROGRAMS列表中的工具：calibre：官网（https://calibre-ebook.com/）下载安装；
ffmpeg：官网（https://ffmpeg.org/）下载，或通过包管理器安装（Linux：`sudo apt install ffmpeg
；MacOS：brew install ffmpeg`；Windows：下载后添加环境变量）；其他工具（nodejs、mecab等）：通过对应系统的包管理器安装（如Linux：
sudo apt install nodejs mecab）；安装完成后，重新运行启动脚本（如
./ebook2audiobook.sh）。
4. 问题：转换后的音频出现“截断”（如章节末尾缺失、句子不完整）？
解决方案：
首先检查电子书文本：若文本中含特殊符号（如“\0”“\r”），工具可能无法识别，需手动删除（可用记事本打开.txt格式的电子书，替换特殊符号）；
若问题仍存在，在GitHub提交Issue（仓库“Issues”标签），提供以下信息：电子书格式、语言、TTS引擎、截断位置的文本内容——由于工具对部分语言的“句子拆分逻辑”尚未优化，需要多语言用户协助改进，开发者会根据反馈调整算法。
5. 问题：Gradio界面启动后，刷新页面提示“无法连接”？
解决方案：
若脚本重启过（如之前关闭终端后重新启动），需刷新浏览器页面（按F5），因为重启后脚本的socket连接会变化；
若仍无法连接，检查端口是否被占用：
Windows：在PowerShell中运行
netstat -ano | findstr :7860，若有进程占用，结束进程（taskkill /PID <进程ID> /F）；Linux/MacOS：在终端中运行
lsof -i :7860，结束进程（kill -9 <进程ID>）；重新启动脚本，访问
http://localhost:7860。
6. 问题：上传自定义TTS模型后，提示“缺少 mandatory 文件”？
解决方案：
确认自定义模型的.zip文件包含对应引擎的 mandatory 文件：
XTTSv2：需包含
config.json、vocab.json、model.pth、ref.wav；Bark：需包含
model.pt、vocab.txt；Vits：需包含
config.json、pytorch_model.bin；检查文件名是否正确（如XTTSv2的权重文件需命名为
model.pth，不可改为xtts_model.pth）；若仍有问题，参考项目
./lib/models.py文档，确认文件格式与路径是否符合要求。
七、相关链接
八、总结
ebook2audiobook是一款针对“电子书转有声书”场景的开源工具，以“合规性、多兼容性、易用性”为核心优势——仅支持非DRM合法电子书，规避版权风险；兼容20+电子书输入格式、10种音频输出格式与1110+语言，覆盖多数使用场景；集成XTTSv2等主流TTS引擎与语音克隆功能，兼顾音质与个性化需求；提供Gradio GUI、Headless命令行、Docker三种使用模式，适配不同技术背景用户，且最低4GB RAM即可运行，无需高配置硬件。工具的应用场景从个人听书、外语学习，到教育辅助、内容创作，甚至企业文档处理，可解决“不方便阅读但需获取文本信息”的核心需求，同时依托活跃的社区支持与持续的版本更新（如即将支持AMD/Intel GPU、Apple MPS），成为开源领域“电子书转有声书”的优选工具。
版权及免责申明：本文由@AI工具箱原创发布。该文章观点仅代表作者本人，不代表本站立场。本站不承担任何相关法律责任。
如若转载，请注明出处：https://www.aipuzi.cn/ai-news/ebook2audiobook.html
