为什么有人愿意自己装开源工具
软件免费。 下载模型后，电脑能跑多少，就能转换多少书，不按本收费。
文稿留在本机。 对未出版作品和保密材料，这点很重要。
可以自己改。 换模型、写脚本批量处理、接入自己的工具，都由你决定。
声音持续进步。 Kokoro、Piper、XTTS 等开放模型比早期系统声音自然得多，也经常有新模型。具体支持哪些，请看项目当前的 README。
开源工具与在线工作室，差别逐项看
各个开源项目差异很大，右栏概括常见情况，不代表某个具体软件。
| AI Audiobooks | 电脑上的开源工具 | |
|---|---|---|
| 安装 | 浏览器直接用 | Python 或 Docker、下载模型，有时还要驱动 |
| 硬件 | 笔记本、平板或手机均可 | 较新的 CPU；GPU 可加速大模型 |
| 声音 | Gemini Flash TTS 和 ElevenLabs 的 137 个声音 | 项目支持的开放模型 |
| 角色选角 | 从对白标记识别说话人并分配声音 | 通常单声，少数尝试识别说话人 |
| 语气控制 | [whisper] 等提示与 [laugh] 等句中标签 | 取决于模型，许多不支持 |
| 修一句 | 编辑后只重新生成这一句 | 常需重做一章，或到音频软件里手工剪辑 |
| 章节与 M4B | 内置，含章节名称、书籍信息、封面 | 因项目而异，部分支持 M4B |
| 费用 | 按积分，标准声音每成品小时约 $9 至 $12 | 软件免费，另需电费和时间 |
本地工具已经做出了章节 MP3？可用免费的 MP3 转 M4B合并成一本书。
本地制作要准备硬件，也要预留安装时间
多数项目需要安装 Python 或 Docker、下载一个或多个模型，再运行终端命令。有些装好后提供简单网页界面。第一次安装先留一个晚上，遇到驱动或依赖问题还会更久。
速度主要看模型和电脑。轻量模型用 CPU 就能跑，较大、表现力更强的模型没有 GPU 可能很慢。一部 9 小时的小说，本地生成可能约一小时，也可能用掉大半天。先测一章，再排整本。
给对白选角，是开源工具更难处理的一步
用一个声音读书已经不难。难的是判断每句是谁说的：要解析引号、“said Kel”这类标记，还要衔接没有明确标记的来回对话。多数开源项目直接用单声，少数会尝试识别，效果各异。
本地可以手动标角色，分别生成后拼接。短篇还好，长篇就要花不少工夫。在线多人有声书制作能自动识别英文对白，最多十个具名角色，另有“其他声音”处理次要人物。中文对白仍需手动指定说话人。
哪些情况更适合本地制作
两条路都有人适合，先看哪一组更像你的实际需要。
适合选择开源工具
- 熟悉终端，也愿意花时间配置
- 只是自己听，或内容适合单旁白
- 必须离线，任何文字都不能外发
- 个人书库很大，希望没有软件费用
- 准备自己写脚本或定制流程
适合选择在线工作室
- 书里有对白，希望每个角色声音不同
- 不想借助额外工具补章节、封面和信息
- 想改一句就只重新生成一句
- 用 Chromebook、平板，或没有 GPU 的笔记本
- 省下的时间比一本书的积分更值得
开源工具能商用，不代表声音模型也能
软件代码与声音模型分别授权，有些模型只允许非商业用途。发布前既要读项目代码许可，也要读模型卡上的许可。商店对 AI 配音的规定仍然适用，基础问题见有声书版权。
用同一章比较两种做法
- 1
选一章测试
最好既有对白，也有至少一个虚构人名。
- 2
在本地生成
按选中项目的 README 安装，把安装到生成的总用时都记下来。
- 3
再用在线工作室生成
把同一本书导入 EPUB 转有声书，检查阵容后用 Google 新注册获赠的 100 积分（7 天有效）试做一小段。
- 4
先听效果，再算时间
比较音频，再看各自耗时，乘以剩余章节数，判断整本需要多少时间。
