原贴链接

这是对我之前帖子（https://www.reddit.com/r/LocalLLaMA/comments/1imz30d/audiobook_creator_my_new_opensource_project/）的跟进。我将发布带有超酷新功能的开源项目版本2。查看短篇小说的多语音音频示例：https://audio.com/prakhar - sharma/audio/generated - sample - multi - voice - audiobook。添加的主要功能如下：可创建M4B格式且带有封面、元数据、章节时间戳等的有声读物；支持多种格式输入（如将EPUB、PDF等格式书籍转换为纯文本，使用calibre以获取更好格式的文本和更广泛的兼容性）；支持多种格式输出（如AAC、M4A、MP3、WAV、OPUS、FLAC、PCM、M4B，使用ffmpeg以支持更多格式）；优化了叙述功能（仅用不同声音朗读对话部分，改善单声道叙述并使用与叙述者声音不同的对话声音）；自动识别章节并在音频结尾添加静音来标记章节结束；改进了运行脚本时的指令和提示以提高清晰度。项目的Github仓库链接：https://github.com/prakharsr/audiobook - creator/。可尝试带有封面、章节时间戳和元数据的M4B有声读物示例：https://github.com/prakharsr/audiobook - creator/blob/main/sample_book_and_audio/sample_multi_voice_audiobook.m4B。更多新功能即将推出！

讨论总结

原帖发布了Audiobook Creator项目版本2，介绍了新功能。评论者们大多对项目表示认可，如称赞做得好、很棒等。同时，也提出了许多改进建议，包括技术改进、增加语言支持、优化章节设置等，还有人询问项目相关功能以及表达自己对项目开发的意愿等，整体氛围积极且充满建设性。

主要观点

  1. 👍 项目的文本转语音功能缺乏对内容的理解
    • 支持理由：虽然能识别单词，但对句子和语境理解不足
    • 反对声音：无
  2. 👍 认可帖子中的开源项目
    • 支持理由：称赞项目做得好，会去尝试
    • 反对声音：无
  3. 👍 建议在章节名/编号后设置短暂停顿
    • 支持理由：有助于优化章节相关的音频效果
    • 反对声音：无
  4. 👍 希望项目增加波兰语支持
    • 支持理由：满足更多语言需求
    • 反对声音：无
  5. 👍 建议在Audiobook Creator项目中加入RVC
    • 支持理由：可使Kokoro模型更有深度并实现特定风格阅读
    • 反对声音：无

金句与有趣评论

  1. “😂 So the text to speech is pretty good but it still sort of lacks an understanding of what’s actually being read doesn’t it?”
    • 亮点：指出项目文本转语音功能存在的关键问题
  2. “👍 Nicely done, I will try this out”
    • 亮点：简洁表达对项目的认可和尝试意愿
  3. “💡 You could also have a brief silence after the chapter name/number.”
    • 亮点：提出具体的章节优化建议
  4. “🙏 Familyinalicante：Please do add polish language.”
    • 亮点：明确表达对项目增加语言支持的需求
  5. “😎 silenceimpaired: Would be interesting if you added RVC in so that the Kokoro models had more depth and you could stick with Heart style of reading with a different voice.”
    • 亮点：提出新颖的技术改进建议

情感分析

[总体情感倾向积极，评论者大多认可项目并提出建设性意见。主要分歧点较少，可能是因为项目处于发布新功能的阶段，大家更多关注于如何让项目变得更好，而不是对项目本身进行否定或争议]

趋势与预测

  • 新兴话题：[将LLM与项目结合、增加新语言、加入新功能（如RVC）等建议可能会引发后续讨论]
  • 潜在影响：[如果这些建议被采纳，可能会使项目功能更完善，吸引更多用户，在有声读物制作领域有更好的应用前景]

详细内容：

标题：Audiobook Creator 发布新版本 2 引发热烈讨论

Audiobook Creator 发布了带有全新酷炫功能的版本 2，这一消息在 Reddit 上引发了众多关注，原帖获得了大量的点赞和评论。作者在帖子中详细介绍了新增的关键功能，并提供了多个相关链接供大家查看示例和项目的 GitHub 仓库。

讨论的焦点主要集中在以下几个方面： 有人指出虽然文本转语音效果不错，但在理解所读内容方面仍有欠缺，比如对句子和上下文的把握不够准确，还提出能否通过 LLM 为文本提供标记，以实现更富有情感和声调的控制。同时，也有人好奇能否将生成的音频通过 LLM 进行有用的叙述校正。

有用户分享了自己创建类似应用时面临的复杂情况，比如处理阅读漫画时的困惑，包括文字气泡、情感以及不同角色的问题，还提到了实时处理的速度较慢。

还有人建议在章节名称或编号后添加短暂的沉默，作者表示会尝试。有人请求增加波兰语支持，作者称已在路线图中。有人提出加入 RVC 以增加 Kokoro 模型的深度和更多样的阅读风格，作者认为这想法不错会去研究。

有人询问是否能自动猜测说话声音，作者解释会根据文本识别对话，并根据说话者的性别和年龄组生成不同声音的音频。

特别有见地的观点包括对利用 LLM 提升文本转语音质量的深入探讨，以及对应用功能拓展和语言支持的多样化需求。

这场讨论的共识在于大家对这个项目的潜力和创新给予了肯定，认为它在朝着更实用和完善的方向发展。

然而，争议点在于如何进一步提升文本理解和音频质量，以及如何更好地满足用户对多种功能和语言支持的期待。

总体而言，这次关于 Audiobook Creator 新版本 2 的讨论十分热烈且富有建设性，为项目的未来发展提供了丰富的思路和方向。