Abogen - สร้างหนังสือเสียงจาก EPUB, PDF และข้อความ

• Abogen เป็นเครื่องมือโอเพนซอร์สที่แปลงไฟล์ ePub, PDF และข้อความให้เป็น หนังสือเสียงคุณภาพสูง ได้อย่างง่ายดาย
• ระหว่างกระบวนการแปลง ระบบยังสร้าง คำบรรยายที่ซิงก์กับเสียง (subtitle) ให้อัตโนมัติ
• มีฟีเจอร์หลากหลาย เช่น การมิกซ์ เสียงที่ปรับแต่งเอง, ฟอร์แมตการเข้ารหัส, การแบ่งบท, และการประมวลผลแบบกลุ่ม (queue mode)
• ใช้ เอนจินสังเคราะห์เสียง Kokoro-82M รุ่นล่าสุด เพื่อรองรับ TTS ที่เป็นธรรมชาติและหลายภาษา
• เมื่อเทียบกับโปรเจกต์อื่น มีจุดเด่นด้าน GUI ที่ใช้งานเข้าใจง่าย, การจัดการโฟลเดอร์แยกตามโปรเจกต์ และการจัดการเมทาดาทาอัตโนมัติ

---

ภาพรวมและความสำคัญของ Abogen

• Abogen เป็นเครื่องมือโอเพนซอร์สสำหรับแปลงข้อความเป็นเสียง (TTS) ที่สามารถเปลี่ยนไฟล์ข้อความ (เช่น ePub, PDF, .txt) ให้เป็น หนังสือเสียงที่ฟังเป็นธรรมชาติ ได้อย่างรวดเร็ว
• มีฟังก์ชันครบถ้วน เช่น อินเทอร์เฟซที่ใช้งานง่าย, การประมวลผลหลายไฟล์พร้อมกัน, การมิกซ์เสียงผู้ใช้, ฟอร์แมตเอาต์พุตหลากหลาย, การจัดการบท และการรองรับเมทาดาทา
• ต่างจากโปรเจกต์โอเพนซอร์สอื่นตรงที่สามารถสร้างเสียงคุณภาพสูงได้ง่ายด้วย การใช้งานที่ไม่ซับซ้อน โดยเฉพาะ TTS ที่ใช้ Kokoro-82M พร้อมคำบรรยาย
• ขั้นตอนติดตั้งเริ่มต้นและการตั้งค่าสภาพแวดล้อม Python ที่ซับซ้อนถูกทำให้เป็นอัตโนมัติ จึงใช้งานได้ง่ายแม้สำหรับนักพัฒนามือใหม่
• โดยเฉพาะอย่างยิ่ง การจัดการบทและเมทาดาทาแยกตามโปรเจกต์, สภาพแวดล้อม GUI และฟีเจอร์เสียงแบบกำหนดเอง ถูกมองว่าเป็นข้อได้เปรียบในการแข่งขันในอุตสาหกรรม

สรุปคุณสมบัติหลัก

• แปลง ePub, PDF และไฟล์ข้อความเป็นเสียงภายในไม่กี่วินาทีด้วย การแปลงข้อความเป็นเสียง (TTS)
• สร้าง คำบรรยายที่ซิงก์กัน (subtitles) อัตโนมัติ รองรับรูปแบบที่เสียงและคำบรรยายตรงกันอย่างสมบูรณ์
• ใช้ Voice Mixer เพื่อผสมโมเดลเสียงหลายแบบและสร้างโปรไฟล์เสียงเฉพาะตัว
• ฟีเจอร์ queue mode รองรับการประมวลผลหลายไฟล์แบบชุด พร้อมคงค่าตั้งแยกสำหรับแต่ละไฟล์
• สร้าง chapter marker / เมทาดาทาอัตโนมัติ และมีฟังก์ชันจัดการโฟลเดอร์โปรเจกต์
• ฟอร์แมตเอาต์พุตหลากหลาย: รองรับ WAV, FLAC, MP3, OPUS, M4B และคำบรรยายแบบ SRT/ASS เป็นต้น
• รองรับภาษาหลัก: อังกฤษแบบอเมริกัน/อังกฤษ, สเปน, ฝรั่งเศส, ฮินดี, อิตาลี, ญี่ปุ่น, โปรตุเกส, จีน เป็นต้น
• มอบคุณภาพเสียงสูงและการออกเสียงที่เป็นธรรมชาติบนพื้นฐานของ เอนจิน TTS Kokoro-82M
• รองรับทั้ง GUI และบรรทัดคำสั่ง และสามารถใช้งานผ่าน Docker container ได้

สรุปรายละเอียดฟีเจอร์ของ Abogen

#การเริ่มต้นและพื้นหลังการติดตั้ง

• เครื่องมือ TTS เดิม ๆ มักมีข้อจำกัดด้านการติดตั้ง, การตั้งค่าสภาพแวดล้อม, คุณภาพ, การปรับแต่ง และการจัดการหลายไฟล์
• Abogen ถูกสร้างขึ้นเพื่อให้แม้แต่มือใหม่ก็เข้าถึงฟีเจอร์ขั้นสูงอย่างการแปลงข้อความเป็นเสียง, การสร้างคำบรรยาย และการมิกซ์เสียง ได้ง่ายผ่าน อินเทอร์เฟซที่เรียบง่ายแต่ทรงพลัง
• ใช้งานได้บนหลายระบบปฏิบัติการ (Windows, Linux, macOS) และรองรับการจัดเตรียมสภาพแวดล้อมในตัว/ติดตั้งอัตโนมัติโดยไม่จำเป็นต้องติดตั้ง Python ล่วงหน้า

#วิธีใช้งานหลัก

• สามารถ ลากแล้ววาง ไฟล์ ePub, PDF หรือข้อความ หรือใช้เอดิเตอร์ในตัวก็ได้
• การตั้งค่า: เลือกได้อย่างละเอียดทั้งความเร็วในการอ่าน, เสียง (โมเดล·เพศ·ภาษา), รูปแบบคำบรรยาย (แยกตามประโยค·ตามคำ), ฟอร์แมตเอาต์พุตเสียง·คำบรรยาย, พาธเอาต์พุต เป็นต้น
• เพียงกดปุ่มเริ่มแปลง ก็จะได้ผลลัพธ์ทันที

#การสาธิตจริง

• แม้ใช้ GPU สเปกไม่สูง ก็สามารถสร้างเสียงยาว 3 นาที 28 วินาทีจากข้อความประมาณ 3,000 ตัวอักษรได้ภายใน 11 วินาที
• ความเร็วในการประมวลผลจะแตกต่างกันตามสเปกฮาร์ดแวร์

#ตัวเลือกการตั้งค่า

• วิธีป้อนข้อมูล: รองรับการลากแล้ววาง, เอดิเตอร์ในตัว และการจัดการคิวเพื่อประมวลผลหลายไฟล์พร้อมกัน
• ความเร็วในการอ่าน: ปรับละเอียดได้ตั้งแต่ 0.1x ~ 2.0x
• การเลือกเสียงและการพรีวิว: เลือกโมเดลตามภาษา·เพศ และกำหนดโปรไฟล์เสียงของตัวเองผ่าน custom mixer
• การสร้างคำบรรยาย: ทำคำบรรยายอัตโนมัติตามประโยค, ตามเครื่องหมายจุลภาค หรือทุก n คำ
• เอาต์พุตเสียง: WAV, FLAC, MP3, OPUS, M4B (รวมบท)
• ฟอร์แมตคำบรรยาย: รองรับการปรับแต่งเช่น SRT, ASS
• การจัดการบทและโปรเจกต์: บันทึกเป็นโฟลเดอร์โปรเจกต์พร้อมเสียงแยกตามบท, ไฟล์รวม, และเมทาดาทา
• มีตัวเลือก UI หลากหลาย เช่น ธีม, log, shortcut เป็นต้น

#Voice Mixer

• สามารถผสมโมเดลเสียงหลายตัวด้วย การปรับค่าน้ำหนัก เพื่อสร้าง บันทึก และนำเสียงเฉพาะตัวกลับมาใช้ซ้ำได้
• สามารถพรีวิวและนำผลลัพธ์จากการมิกซ์เสียงไปใช้เป็นโปรไฟล์เสียงได้

#Queue Mode

• คงค่าตั้งแยกสำหรับแต่ละไฟล์ และรองรับ การแปลงข้อความและ eBook หลายรายการพร้อมกันโดยอัตโนมัติ
• เมื่อเพิ่มแต่ละไฟล์ลงคิว ระบบจะบันทึกค่าตั้ง ณ เวลานั้นแยกไว้ ไม่ขึ้นกับการเปลี่ยนค่าหลักภายหลัง

#Chapter Marker / เมทาดาทา

• แทรกแท็กแบ่งบทโดยอัตโนมัติ
  • สามารถแทรกแท็ก `` ได้ด้วยตนเองเช่นกัน
  • หากเกิดข้อผิดพลาด จะสะดวกต่อการประมวลผลซ้ำเฉพาะบทนั้นอย่างรวดเร็ว
• เพิ่มข้อมูลอย่างชื่อเรื่อง, ผู้แต่ง, ปี เป็นต้น ผ่าน แท็กเมทาดาทา เพื่อให้แอปหนังสือเสียงแสดงข้อมูลได้
  • สามารถเพิ่มได้ที่ส่วนต้นของไฟล์ข้อความ

#ภาษาที่รองรับ

• รองรับหลายภาษาผ่านเอนจิน Kokoro-82M
• อังกฤษ (สหรัฐฯ/สหราชอาณาจักร), สเปน, ฝรั่งเศส, ฮินดี, อิตาลี, ญี่ปุ่น, โปรตุเกสแบบบราซิล, จีน เป็นต้น
• คำบรรยายสำหรับภาษาอื่น ๆ สามารถขอเพิ่มได้ในอนาคตเนื่องจากข้อจำกัดทางเทคนิคของเอนจิน

#เอาต์พุตและการนำไปใช้

• แนะนำให้ใช้มีเดียเพลเยอร์ขั้นสูงอย่าง MPV ซึ่งรองรับคำบรรยายแบบซิงก์
• รองรับการรันเซิร์ฟเวอร์บน Docker

#จุดแตกต่างจากโปรเจกต์ที่คล้ายกัน

• Abogen มอบความสะดวกระดับสูงสุดด้วย GUI แบบ standalone และความสามารถในการปรับแต่ง, การจัดการโฟลเดอร์แยกตามโปรเจกต์, ระบบอัตโนมัติสำหรับบทและเมทาดาทา, การประมวลผลคิว และการมิกซ์เสียง
• มีความคล้ายกับ audiblez, autiobooks, pdf-narrator, epub_to_audiobook, ebook2audiobook แต่จุดต่างคือความใช้งานง่ายของ GUI, เอนจิน TTS ขั้นสูง, และการซิงก์บท/คำบรรยาย

#โรดแมปและการมีส่วนร่วม

• มีแผนเพิ่ม OCR (รู้จำเอกสาร) และเสริม GUI หลายภาษา
• ทุกคนสามารถ fork แล้วมีส่วนร่วมกับโอเพนซอร์สได้ ไม่ว่าจะเพิ่มฟีเจอร์หรือแก้บั๊ก

#เครดิตด้านเทคนิคและไลเซนส์

• ใช้เทคโนโลยีโอเพนซอร์สจากพาร์ตเนอร์ต่าง ๆ เช่น Kokoro-82M TTS, GUI บนพื้นฐาน PyQt และการเชื่อมต่อกับ EbookLib
• ใช้ไลเซนส์ MIT (อนุญาตให้ใช้งานเชิงพาณิชย์และดัดแปลงได้อย่างอิสระ) ส่วนเอนจิน Kokoro ใช้ไลเซนส์ Apache-2.0

#ข้อควรระวังและข้อจำกัด

• ฟีเจอร์คำบรรยายแบบซิงก์ปัจจุบันรองรับเฉพาะภาษาอังกฤษเท่านั้น (การรองรับภาษาอื่นต้องรอการพัฒนาในเอนจิน Kokoro)
• บางฟีเจอร์มีข้อจำกัด (เช่น การพรีวิวเสียงภายใน Docker)
• สำหรับคู่มือการติดตั้งและการตั้งค่าสภาพแวดล้อมโดยละเอียด โปรดดูเอกสารทางการ

[GN⁺]

ความเห็นจาก Hacker News

• ฉันนึกภาพไปป์ไลน์ที่รับหนังสือจาก Calibre-Web แปลงเป็นเวอร์ชันเสียงผ่าน Abogen แล้วนำไปให้บริการต่อด้วย Audiobookshelf ซึ่งดูเหมือนจะเป็นโซลูชันที่ดีมากสำหรับผู้พิการทางการได้ยินด้วย ดู Calibre-Web และ audiobookshelf

• การใช้เครื่องมือนี้ทำหนังสือที่เป็นข้อความให้กลายเป็นออดิโอบุ๊กเพื่อฟังเองส่วนตัวนั้นโอเค แต่ถ้าให้นักเขียนนำมันไปทำไฟล์สำหรับแจกจ่ายถือว่าเสี่ยงมาก นักเขียนอิสระทุกวันนี้ก็ลำบากมากอยู่แล้วในการโปรโมตงานของตัวเอง และช่วงนี้แค่ผู้อ่านเห็นร่องรอยว่าใช้ AI ก็มักจะเลิกสนใจทันที สำหรับฉันเลยเริ่มจ้างนักพากย์ที่แสดงได้ดีแต่ไม่ได้ใช้ภาษาอังกฤษเป็นภาษาแม่ หรือนักพากย์ที่ที่บ้านใช้ภาษาอื่นด้วย บางครั้งก็ขอให้ใส่สำเนียงให้ชัดขึ้นอีกหน่อย ซึ่งช่วยให้แยกจาก AI ได้ และยังเพิ่มเสน่ห์ให้หนังสือสำหรับคนที่อยากได้ประสบการณ์ใหม่ ๆ ด้วย ก่อนหน้านี้ฉันเคยประหลาดใจมากตอนออดิชันนักแสดงจากแถบเมดิเตอร์เรเนียนที่อัดออดิโอบุ๊กได้มีชีวิตชีวามาก

  • ฉันใช้ฟีเจอร์ WhisperSync ของ Amazon บ่อยมาก เพราะมันทำให้ฉันอ่านหนังสือไปพร้อมกับฟังได้ ระหว่างเดินทางก็สามารถเหลือบกลับไปดูข้อความหรือไฮไลต์ไว้ทีหลังได้ สะดวกมาก ข้อเสียคือหนังสือที่รองรับฟีเจอร์นี้ยังมีไม่มาก และฟังก์ชันอ่านออกเสียงที่มีมาในแอป Kindle คุณภาพก็ไม่ค่อยดี ดังนั้นถ้าหนังสือที่เขียนโดยมนุษย์อย่างยอดเยี่ยมมีตัวเลือกเสียง AI เพิ่มเข้ามาด้วย ฉันจะชอบมาก
  • ฉันไม่แน่ใจว่าทุกวันนี้การที่ผู้อ่านเลิกอ่านเพียงเพราะเห็นร่องรอย AI นั้นแพร่หลายจริงไหม เวลาอ่านเนื้อหา ถ้าผลงานออกมาดี คนส่วนใหญ่ก็ดูจะไม่สนใจมากนักว่าจะอ่านด้วย AI หรืออะไร ผู้คนอาจไม่ต้องการหนังสือที่เขียนโดย AI แต่การให้ AI อ่านข้อความออกเสียงนั้นหลายคนก็ใช้อย่างสบายใจมานานแล้ว ทั้งกับบทความและหนังสือ ซึ่งเป็นคนละเรื่องกับการแสดงหรืองานกำกับเสียง

• ฉันสงสัยว่านี่เป็นแค่การแปลงข้อความเป็นเสียง หรือมันทำออกมาได้เหมือนออดิโอบุ๊กจริง ๆ กันแน่ ออดิโอบุ๊กที่ดีมักมีนักพากย์ที่ให้เสียงตัวละครแตกต่างกัน และถ่ายทอดสำเนียงหรือภาษาถิ่นต่างกันด้วย สิ่งพวกนี้อาจพอทำได้ไม่กี่ประโยคด้วยเครื่องมืออย่าง chatgpt แต่ถ้าเป็นออดิโอบุ๊กยาว 8–20 ชั่วโมงทั้งเล่มคงไม่ง่าย ในระดับปัจจุบันฉันยังคิดว่าการแปลง epub ให้กลายเป็นออดิโอบุ๊กระดับแนวหน้ายังมีอุปสรรคพื้นฐานอยู่ อยากรู้ว่าฉันพลาดอะไรไปหรือเปล่า

  • Elevenlabs มีฟีเจอร์สร้างสไตล์แบบ "full cast" ที่กำหนดเสียงต่างกันให้แต่ละตัวละครได้ แต่ยังไม่ได้ไวต่อภาษาถิ่นแบบอัตโนมัติ ปัจจุบันระบบต่าง ๆ ก็พอจะเปลี่ยนสำเนียงหรือลีลาการพูดตามบริบทหรือพรอมป์ต์ได้อยู่ แต่ฉันไม่แน่ใจเรื่องความน่าเชื่อถือ
  • ใช้มิกเซอร์ผสมเสียงตัวละครหลายแบบเพื่อสร้างอารมณ์ที่ต่างกันได้ หรือจะใส่โค้ดกำหนดเสียงให้ตัวละครแต่ละตัวเองก็ยังได้
  • จริง ๆ แล้วฉันไม่ค่อยชอบการกำกับเสียงหลายตัวละครนัก การอ่านคำพูดอ้างอิงให้มีน้ำเสียงและจังหวะที่เหมาะกับบริบทนั้นดี แต่ฉันไม่ชอบให้แต่ละตัวละครใช้คนละเสียงกัน

• เครื่องมือนี้ต้องมี pip ตอนรันแอป abogen ดังนั้นต้องใช้ในสภาพแวดล้อมที่ใช้ pip ได้ เริ่มได้ด้วยคำสั่ง uv tool run abogen แต่จะค้างตอนติดตั้งโมเดล พอลอง uv venv && uv pip install pip && source .venv/bin/activate && abogen ก็พบว่ารันได้ปกติ GUI ที่แพ็กมาแล้วก็ทำได้ดี UI สำหรับเลือกหน้าหรือส่วนต่าง ๆ จากไฟล์ PDF ก็ดี และบนแล็ปท็อป GTX 1650 ของฉันก็ทำงานได้เร็ว ผลลัพธ์ออกมาเป็นไฟล์เสียง .ogg กับไฟล์ซับไตเติล .ass ซึ่งพอเปิดด้วย mpv ก็ฟังไปอ่านไปในเทอร์มินัลได้เลย ข้อเสียอย่างหนึ่งคือการขึ้นบรรทัดใหม่จาก PDF ต้นฉบับยังติดมาด้วย ทำให้บางประโยคถูกตัดกลางประโยคยาว ๆ จนรบกวนความเข้าใจ แต่ถ้าเปิดฟังก์ชันข้าม single newline ก็ช่วยได้ชัดเจน

  • ฉันใช้ RTX 4060 แปลงหนังสือ 110 หน้าเป็น wav ใช้เวลาประมาณหนึ่งชั่วโมง ถ้าไม่เปิดฟังก์ชันข้ามบรรทัดใหม่ ผลลัพธ์จะไม่ค่อยดี แต่พอเปิดแล้วถือว่าน่าทึ่งมาก ฉันชอบเสียง af_heart มากเป็นการส่วนตัว ส่วน af_jessica รู้สึกน่ารำคาญนิดหน่อย ปัญหาใหญ่ที่สุดของออดิโอบุ๊กคือคนชอบหรือไม่ชอบนักพากย์มากพอ ๆ กับตัวเนื้อหาของหนังสือเลย ฉันรู้สึกว่าวันแบบนี้ต้องมาถึงสักวัน และมันน่าทึ่งจริง ๆ ฉันชินกับออดิโอบุ๊กมากจนอ่านหนังสือจริงทั้งเล่มได้ยากแล้ว และมันน่าทึ่งที่ตอนนี้ฉันสามารถแปลงหนังสือราว 20 เล่มที่ไม่มีตลาดพอให้มีนักพากย์มาอ่าน ให้กลายเป็นเวอร์ชันเสียงด้วยเสียงที่ฉันชอบได้อย่างง่ายดาย

• ฉันชอบออดิโอบุ๊กมาก แต่เรื่องผู้บรรยายนั้นเรื่องมากมาก ออดิโอบุ๊กหลายเล่มฉันฟังไปครึ่งทางแล้วต้องเลิกเพราะนักพากย์ไม่เข้ากับฉัน ดังนั้นกว่าบริการแบบนี้จะใช้งานได้จริงสำหรับฉันคงอีกนาน

  • ฉันเคยซื้อฟังทั้งซีรีส์เพราะชอบนักพากย์ เช่น Grim Noir Chronicles หรือผลงานแบบ full cast ของ Soundbooth Theater ถ้าต้องการแค่เปลี่ยนข้อความให้เป็นเสียง TTS ก็เพียงพอแล้ว แต่ฉันยังคิดว่าการบรรยายด้วย AI ยังให้ประสบการณ์แบบที่นักพากย์มนุษย์มอบให้ไม่ได้
  • ฉันก็เคยเลิกฟังออดิโอบุ๊กกลางทางเพราะนักพากย์เหมือนกัน แต่ในทางกลับกัน ฉันคิดว่าเสียง AI ที่เป็นกลางและฟังโอเคอาจทำให้ฉันฟังหนังสือที่เคยทรมานกับมันจนจบได้ บางทีเสียง AI ที่สะอาดเรียบร้อยอาจดีกว่าเสียงบรรยายทางการที่ฟังแล้วขัดหู
  • มีซีรีส์หนึ่งที่เดิม R. C. Bray เป็นผู้บรรยาย แต่จู่ ๆ เปลี่ยนเป็นนักพากย์คนอื่นจนฟังยากมาก และฉันก็เลิกฟังไปเลย ในทางกลับกันก็มีนักพากย์อย่าง Wil Wheaton ที่ฉันตั้งใจตามหา สุดท้ายแล้วนักพากย์ของออดิโอบุ๊กสามารถทำให้งานดีขึ้นหรือพังได้จริง ๆ
  • อยากรู้ว่าออดิโอบุ๊กเรื่องโปรดของคุณคืออะไร

• น่าจะใช้กับหนังสือที่มีโค้ด แผนภาพ รูปภาพ ฯลฯ นอกเหนือจากข้อความได้ไม่ดีนัก (ซึ่งก็เป็นเรื่องที่เข้าใจได้) ฉันเลยสงสัยว่ามีโอเพนซอร์สนิวรัลเน็ตเวิร์กที่รับหน้า PDF แล้วแปลงให้เป็นเวอร์ชัน "ร้อยแก้วล้วน" ได้ไหม เช่น ถ้าเป็นหน้าที่มีภาพกับข้อความอยู่ด้วยกัน ก็สามารถถ่ายทอดเนื้อหาหรือคำบรรยายของภาพออกมาเป็นข้อความได้

• ฉันเคยใช้ Kokoro TTS กับบล็อกหรือบทความสั้น ๆ แต่ผลลัพธ์ยังไม่ถึงที่หวัง ตอนนี้ Gemini 2.5 Flash TTS ทำได้ดีกว่ามากและโควต้าฟรีก็ใจกว้างกว่า (10 นาทีต่อการสร้าง, 90 นาทีต่อวัน) สำหรับงานสั้น ๆ ปัญหาเรื่องความสม่ำเสมอของเสียงอาจไม่ชัด แต่ถ้าเป็นระดับทั้งเล่มของหนังสือ นี่จะเป็นปัญหาแน่นอน

  • Kokoro ถือว่าไม่เลวในฐานะ TTS แต่การแสดงอารมณ์ยังน้อย ซึ่งเมื่อดูจากขนาดโมเดลแล้วก็ดูเหมือนจะเลี่ยงไม่ได้

• ฉันลองใช้เครื่องมือนี้ทำหนังสือปรัชญาให้เป็นออดิโอบุ๊กเพื่อเพิ่มการเข้าถึง แต่เจอปัญหาสำคัญคือ ถ้าประโยคที่ป้อนเข้า Kokoro ยาวเกินไป คำหรือช่วงท้ายประโยคจะถูกข้ามไปหรือเสียงพร่า abogen จะตัดข้อความเป็นระดับประโยคก่อนส่งเข้าไป แต่ถ้าประโยคยาวก็ยังส่งเข้าหา Kokoro แบบเดิม ทำให้ออดิโอบุ๊กออกมาใช้งานไม่ได้เลย ดังนั้นฉันเลยกำลังทำแอป GUI ด้วย tkinter ของตัวเอง โดยใช้ nltk กับ regex แบ่งให้ละเอียดกว่านี้

  • ฉันพอใจกับ CLI "kokoro-tts" มากกว่า เพราะมันจัดการเรื่องการแยก/แบ่งได้ดีกว่า kokoro-tts เครื่องมือนี้ยังสร้างไฟล์เสียงแยกตามแต่ละบทพร้อมเมตาดาต้าด้วย แล้วก็ใช้ m4b-tool ต่อไฟล์เสียงเข้าด้วยกันและใส่ข้อมูลบทได้ m4b-tool ฉันอยากเขียนโพสต์เกี่ยวกับวิธีทำงานแบบนี้มาก มันมีประโยชน์จริง ๆ
  • ช่วงนี้ฉันไม่ค่อยชอบที่ TTS แบบดีปเลิร์นนิงให้ผลลัพธ์ที่ไม่เป็นเชิงกำหนดมากเกินไป วิธีแบบดั้งเดิมให้การออกเสียงที่คาดเดาได้มากกว่า จนบางทีกลับรู้สึกดีกว่าเสียอีก

• ส่วนตัวฉันหวังว่าจะมีโซลูชันที่ทำ PDF ให้กลายเป็น ePub ที่จัดระเบียบดีได้สักที

• ฉันเคยใช้ Kokoro TTS คู่กับ audiblez สำหรับ CLI แม้จะเป็นโมเดลเล็กแต่ก็เร็วและคุณภาพเสียงน่าประทับใจ อย่างไรก็ตามยังมีจุดน่าเสียดายอยู่บ้าง: a) มันแยกไม่ออกระหว่างจุดจบประโยคกับจุดในคำย่ออย่าง "Mr." หรือ "Mrs." เลยเกิดจังหวะหยุดแปลก ๆ b) จัดการเครื่องหมายจุดไข่ปลา (...) ได้ไม่ดี c) การออกเสียงคำจะเหมือนเดิมเสมอแม้บริบทต่างกัน

  • การใช้แท็ก phoneme ของ SSML ก็อาจช่วยได้ TTS บางตัวรองรับ และอาจใช้ LLM ที่ทรงพลังมาช่วยพรีโปรเซสเพื่อหลีกเลี่ยงปัญหาแบบนี้ได้
  • กรณีปัญหาอย่าง Mr. / Mrs. ดูเหมือนจะแก้ได้ค่อนข้างง่าย อย่างน้อยก็น่าจะกำจัดกรณีที่พบบ่อยบางส่วนได้