- Abogenは、ePub、PDF、テキストファイルを高品質なオーディオブックへ手軽に変換できるオープンソースツール
- 変換時に音声と同期した字幕(subtitle)も自動生成される
- ユーザー向けカスタム音声のミキシング、エンコード形式、チャプター分割、一括処理(キューモード)など多彩な機能を提供
- 最新のKokoro-82M音声合成エンジンを使用し、自然なTTS品質と多言語対応を実現
- 他プロジェクトと比べて直感的なGUI、プロジェクトごとのフォルダ管理、メタデータ自動処理に強みがある
Abogenの概要と重要性
- Abogenは、テキストファイル(ePub、PDF、.txtなど)を自然なオーディオブックへすばやく変換するオープンソースのテキスト読み上げ(TTS)ツール
- 直感的なインターフェース、複数ファイルの一括処理、ユーザー音声ミキシング、多様な出力形式、チャプター管理、メタデータ対応など豊富な機能を備える
- 他のオープンソースプロジェクトと異なり、シンプルな操作で高品質な音声(特にKokoro-82MベースのTTS)と字幕を簡単に得られる
- 初期インストール工程や複雑なPython環境設定が自動化されており、初級開発者でも簡単に活用できる
- 特にプロジェクト単位のチャプター・メタデータ処理、GUI環境、カスタムボイス機能は業界で競争優位と評価されている
主な特徴の要約
- テキスト読み上げ(TTS)により、ePub、PDF、テキストファイルを数秒で音声に変換
- 同期字幕(subtitles)を自動生成し、音声と字幕が完全に一致する形式に対応
- ボイスミキサーを使って複数の音声モデルを混合し、自分だけの音声プロファイルを生成
- キューモードにより、複数ファイルの一括処理とファイルごとの個別設定の維持をサポート
- チャプターマーカー/メタデータの自動生成、プロジェクトフォルダ管理機能
- 多様な出力形式: WAV、FLAC、MP3、OPUS、M4B などに対応、字幕も SRT/ASS などを選択可能
- 主な対応言語: 米国/英国英語、スペイン語、フランス語、ヒンディー語、イタリア語、日本語、ポルトガル語、中国語など
- Kokoro-82M TTSエンジンベースの高品質で自然な発音を提供
- GUI とコマンドラインの両方に対応し、Dockerコンテナも利用可能
Abogenの機能別詳細
#開始とインストールの背景
- 既存のTTSツールは、インストール、環境設定、品質、カスタマイズ、複数ファイル処理に多くの制約がある
- Abogenは、手軽でありながら強力なインターフェースにより、テキスト–音声変換、字幕生成、ボイスミキシングなどの高度な機能を初心者でも簡単に使えるよう設計されている
- 複数のOS(Windows、Linux、macOS)で利用でき、事前のPythonインストールなしで自動的に内蔵/導入環境を構成できる
#主な使い方
- ePub、PDF、またはテキストファイルをドラッグ&ドロップするか、内蔵エディタを利用可能
- 設定: 読み上げ速度、音声(モデル・性別・言語)、字幕スタイル(文単位・単語単位)、音声・字幕の出力形式、出力パスなどを細かく選択可能
- 変換開始ボタンをクリックするだけで、すぐに結果を生成
#実際のデモ
- 低性能GPUでも約3,000文字のテキストを11秒で3分28秒の音声として生成可能
- 処理速度はハードウェア仕様によって異なる
#設定オプション
- 入力方式: ドラッグ&ドロップ、内蔵エディタ、キュー管理により複数ファイルの同時処理が可能
- 読み上げ速度: 0.1x ～ 2.0x で細かく調整
- 音声選択とプレビュー: 言語・性別ごとのモデル、カスタムミキサーで自分だけの音声プロファイルを指定
- 字幕生成: 文、コンマ単位、n語単位の字幕を自動化
- 音声出力: WAV、FLAC、MP3、OPUS、M4B(チャプター付き)
- 字幕形式: SRT、ASS などのカスタマイズに対応
- チャプター・プロジェクト管理: チャプターごとの音声、結合版、メタデータを含むプロジェクトフォルダとして保存
- テーマ、ログ、ショートカットなどUIオプションも豊富
#Voice Mixer
- 複数の音声モデルを重み調整で組み合わせ、ユニークな音声を直接生成・保存・再利用できる
- 音声ミキシング結果を音声プロファイルとしてプレビューして適用可能
#キューモード
- ファイルごとの個別設定を維持しつつ、複数のテキスト・eBookを一度に自動変換
- 各ファイルはキュー追加時の設定を個別に保存し、メイン設定の変更の影響を受けない
#チャプターマーカー/メタデータ
- 自動的にチャプター分割タグを挿入
- 手動でも `` タグを挿入可能
- エラー発生時には該当チャプターのみをすばやく再処理しやすい
- メタデータタグでタイトル、著者、年などの情報を追加し、オーディオブックアプリで情報を表示可能
#対応言語
- Kokoro-82Mエンジンの多言語対応
- 英語(米国/英国)、スペイン語、フランス語、ヒンディー語、イタリア語、日本語、ブラジルポルトガル語、中国語など
- 他言語の字幕はエンジンの技術的制約により、今後追加要望を受け付ける可能性がある
#出力と活用
- MPV などの高機能メディアプレイヤーを推奨、同期字幕をサポート
- Dockerベースのサーバー実行に対応
#類似プロジェクトとの違い
- Abogenは、スタンドアロンGUIとカスタマイズ機能、プロジェクト単位のフォルダ管理、チャプター・メタデータ自動化、キュー処理、ミックス音声など、最高水準の利便性を提供
- audiblez、autiobooks、pdf-narrator、epub_to_audiobook、ebook2audiobook と類似点はあるが、GUIの使いやすさ、高度なTTSエンジン、チャプター/字幕同期が差別化ポイント
#ロードマップとコントリビューション
- OCR(文書認識)の追加、多言語GUIの強化などを計画
- 誰でもフォークして機能追加やバグ修正などのオープンソース貢献が可能
#技術クレジットとライセンス
- Kokoro-82M TTS、PyQtベースGUI、EbookLib連携など、各種パートナーのオープンソース技術を活用
- MITライセンス(商用利用および改変が自由)、エンジン(Kokoro)は Apache-2.0 ライセンス
#注意事項と制限
- 字幕同期機能は現在英語のみ対応(他言語対応にはKokoroエンジン側の開発が必要)
- 一部機能(Docker内の音声プレビューなど)には制限がある
- インストールおよび環境設定の詳細ガイドは公式ドキュメントを参照
1件のコメント
Hacker Newsのコメント
Calibre-Webで本を配信し、Abogenで音声版にして、Audiobookshelfで提供するパイプラインを想像している。聴覚障害者にとっても本当に良いソリューションになりそうだ。Calibre-Web と audiobookshelf を参照
このツールを使ってテキストの本をオーディオブック化し、個人的に消費するのは構わないが、著者がこれを使って配布用ファイルを作るのは非常に危険だ。インディー作家は作品を宣伝するのに大きな苦労をしており、最近では見込み読者がAI使用の痕跡を見ただけで即座に興味を失ってしまう。私の場合、演技が上手く、かつ母語が英語ではない声優や、家庭で別の言語を話している声優を起用し始めている。アクセントを少し強めにしてほしいと頼むこともあるが、このやり方はAIとの差別化にも役立ち、新しい体験を求める人にとって本の魅力も増す。以前、地中海近辺の出身の俳優たちがどれほど生き生きとオーディオブックを録音するかをオーディションで体験して、驚かされたことがある
これは単にテキストを音声に変換するだけなのか、それとも本当にオーディオブックらしく作ってくれるのか気になる。良いオーディオブックでは、声優が登場人物ごとに異なる演技をし、アクセントや方言も変えて表現することが多い。こうしたことはchatgptのようなツールでも数文ならできそうだが、8〜20時間のオーディオブック全体となると簡単ではない。現状では、epubを最先端レベルのオーディオブックにするには依然として根本的な壁があると思うが、何か見落としているだろうか
このツールはabogenアプリ実行時にpipが必要なので、
pipが使える環境で動かす必要がある。uv tool run abogenコマンドで開始できるが、モデルのインストール段階で止まる。uv venv && uv pip install pip && source .venv/bin/activate && abogenとすると正しく動くことを確認した。パッケージ化されたGUIもよくできていて、PDFファイルからページやセクションを選ぶUIも良く、私のラップトップのGTX 1650でも速度は速い。出力は .ogg 音声と .ass 字幕ファイルで、mpvで開けばターミナルで聴きながら読むこともできる。ひとつ惜しいのは、PDF原本の改行がそのまま残るため、文の途中で長く切れて理解の妨げになる場合があることだ。single newlineをスキップする機能を有効にすると確かに改善する私はオーディオブックが大好きだが、ナレーションにはうるさい。自分に合わない声優のせいで途中で聴くのをやめたオーディオブックも多い。こういうサービスを自分が本当に使えるようになるには、まだかなり時間がかかりそうだ
テキスト以外にコード、図表、画像などがある本にはあまり向かない気がする（これは当然ではある）。PDFページを受け取って「純粋な散文」版に変換してくれるオープンソースのニューラルネットがあるのかも気になる。たとえば、画像とテキストが一緒にあるページなら、画像の内容や描写までテキスト化してくれるようなものだ
ブログや記事など短い分量にはKokoro TTSを使ってみたが、期待には届かなかった。今はGemini 2.5 Flash TTSのほうが性能もずっと良く、無料枠も寛大だ（1回の生成で10分、1日90分）。短い文章では音声の一貫性の問題はあまり感じないが、本一冊のように長くなると、これは間違いなく問題になる
哲学書をオーディオブック化してアクセシビリティを高めようとこのツールを試したが、重要な問題があった。Kokoroに入力する文が長すぎると、末尾の単語や文が飛ばされたり不明瞭になったりする。abogenはテキストを文単位で切って入力するが、文が長いとそのままKokoroに渡されるため、オーディオブック自体が使い物にならないレベルになる。そこで、nltkと正規表現でもっと細かく分割する自作のtkinter GUIアプリを作っている
個人的には、PDFをきちんと整理されたePubにしてくれるソリューションが出てくることを期待している
Kokoro TTSをCLI用のaudiblezと一緒に使ってみた。小さなモデルだが、速度も速く音質も印象的だった。ただ、いくつか惜しい点がある。a) 文末のピリオドと "Mr." "Mrs." のような略語のピリオドを区別できず、不自然なポーズが入る、b) 三点リーダー (...) の扱いがうまくない、c) 文脈が違っても単語の発音が常に同じ