alexandria-audiobook
Finrandojin/alexandria-audiobook加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
微信扫码咨询客服
POMOAI — 让开源 AI 即刻运行
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
凌晨两点，网文爱好者小张正追更一本英文奇幻小说。原版英文读起来磕磕绊绊，但又舍不得等翻译——有声书版本更是遥遥无期。他把整本书丢进 Alexandria，按下"生成"键，选了一个沉稳的男声读旁白，再为每一个角色赋予独特的嗓音。半小时后，一本完整的多角色英文有声书就这样"诞生"了。
这不是科幻，这是 Alexandria Audiobook Generator 正在做的事。
有声书市场近年来呈爆发式增长，但优质有声书的生产成本极高——专业配音演员按小时计费，一本 10 万字的小说要烧掉数万元。即便用 TTS（Text-to-Speech）合成，配音听起来机械呆板、缺乏情感，根本无法与专业录音相提并论。
传统的 TTS 方案有两大硬伤：一是无法区分不同角色，一本书从头到尾一个声音，根本听不出谁在说话；二是语气控制粗糙，兴奋、悲伤、愤怒全靠同一种语调念出来，毫无戏剧张力。
Alexandria 的出现，正是为了解决这两个问题。它基于阿里通义实验室的 Qwen3-TTS 模型，在本地运行一个完整的有声书生成管线：从文本脚本注解、多角色语音分配、到最终导出 MP3/M4B，整个流程一气呵成。
Alexandria 的核心技术栈建立在 Python + FastAPI + PyTorch 之上，底层依赖 Qwen3-TTS 模型。整体架构分为三大层次：
第一层：智能脚本注解（Script Annotation） 用户输入原始文本后，Alexandria 调用本地或云端 LLM（兼容 OpenAI-compatible API，包括 LM Studio、Ollama、OpenAI 等）对文本进行结构化解析。LLM 将文本拆解为 JSON 格式，标注每个片段的说话者（Speaker）、对话内容，以及 TTS 指令方向（如"语速加快"、"降低音量"、"带喘息感"等）。这一层是整个管线的"大脑"，注解质量直接决定最终音频的角色区分度。
第二层：角色声音合成（Voice Pipeline） 注解完成后，Alexandria 提供三种声音生成方式：
对于需要高度一致的系列角色，Alexandria 还支持 LoRA 训练：用户通过内置 Dataset Builder 构建训练集（情感+文本+音频三元组），调用 train_lora.py 在预训练底模上微调，生成专属声音适配器。LoRA 训练的 target loss 控制在 4.1-4.2 区间——过高则声音特征模糊，过低则出现音频失真。
第三层：批量合成与导出
批量处理是 Alexandria 的亮点之一。单个角色每批可并行 3-6 条片段，配合可选的 torch.compile 优化，batch 解码速度可达实时播放的 3-4 倍。最终输出支持三种格式：
Alexandria 提供了一个基于 FastAPI + Uvicorn 的浏览器界面，整个创作流程分为五步：
Step 1 Setup：配置 LLM（本地或云端）和 TTS 引擎 Step 2 Script：粘贴文本或导入文件，LLM 自动注解 Step 3 Voices：为每个角色分配语音（克隆/设计/预训练） Step 4 Editor：逐行微调发音人、内容和 TTS 指令，可单独重生成某一句 Step 5 Result：预览全部音频，一键导出
Advanced 菜单还提供语音设计器（无需写任何代码，用文字造声）和数据集构建工具（为 LoRA 训练准备数据）。
部署方面，Alexandria 提供了完整的容器化方案：
pytorch/pytorch:2.8.0-cuda12.8-cudnn9-runtime，包含 ffmpeg 和音频处理依赖硬件需求明确：需要 NVIDIA GPU + nvidia-docker，显存建议 8GB 以上（Qwen3-TTS 模型本身较大，加上 batch 处理的空间需求）。首次启动需要从 HuggingFace 下载模型，受网络状况影响可能耗时较长。
软件依赖极简，核心只有 FastAPI、Uvicorn、Pydantic 等少量包，qwen-tts==0.1.1 是唯一的大模型依赖。
GPU 门槛是最大障碍。没有 NVIDIA 显卡的用户只能连接到远程 Gradio 服务器，无法本地运行。对于没有高端显卡的玩家来说，实用性大打折扣。
LLM 注解质量不稳定。Script Annotation 依赖外部 LLM（本地 Ollama 或云端 API），不同模型对对话结构的理解能力差异较大，可能出现角色混淆、语气指令失效等问题。
音频时长限制。README 提到同一说话者每批最多 500 字符，超过后需要分段。整本长书的处理需要手动拼接，对超长文本的工程化支持还有提升空间。
Alexandria 的出现代表了一个趋势：AI 有声书生产正在从"专业定制"向"个人创作"下沉。以往只有出版机构才能负担的多角色精品有声书，现在任何人都能在几小时内制作出来。
Qwen3-TTS 的 instruct-following 能力在这里被发挥到了极致——不仅合成声音，还能理解"这句话应该用什么语气读"。加上 LoRA 个性化训练的可能性，Alexandria 正在模糊 TTS"工具"和"创作媒介"之间的边界。
对于 AI 开发者而言，Alexandria 也是一个高质量的学习样本：FastAPI 服务架构 + PyTorch 模型加载 + 批量 GPU 推理 + Web 前端交互 + LoRA 微调管线，这条完整的端到端链路几乎涵盖了 AI 应用开发的所有核心环节。
技术标签：Python · FastAPI · PyTorch · Qwen3-TTS · Voice Cloning · LoRA Fine-tuning · Multi-voice TTS · Audio Processing · Gradio · Docker
图1：Alexandria Logo（图标来源于仓库 icon.png）
项目地址：https://github.com/Finrandojin/alexandria-audiobook
星标数：684
许可证：MIT
主要语言：Python
热门 Topic：ai, audiobook, tts, voice-cloning, multi-voice, qwen3-tts, lora, fastapi