MUCKYWORX // PROJECT
Audiobook Factory
PROJECT

Audiobook Factory

どうしてもオーディオブックが欲しいけど、Pocket FMが高すぎる場合はどうするか?

あいにく、私は「Vampire System」にどっぷりハマってしまった。Pocket FMのサイトでうまく釣り上げられ、ストーリーに完全に引き込まれたわけだ。ところが、無料チャプターが終わったところで、Pocket FMが金を要求してきた。最初は甘い誘い文句に乗り、2回目はかなり狡猾なオファーに引っかかった。だが3回目でようやくブレーキをかけ、「いい加減にしろ」と思った。だって、あいつらの計算だと、たった10分程度のチャプター1つに約1ユーロかかる計算になるからだ。

そこで、このままでは納得いかないと思い、対策に乗り出した。まずは、ドイツ語版が手に入らなかったので、英語のオリジナル版をなんとか確保した。そして、この2,517チャプターに及ぶ大作を、ローカルAIを使って翻訳した。翻訳後、さらに内容を分解して話者ごとに整理し、AIに誰がどの話者で、どんな感情を込めるべきかなどを判定させた。さらに、どこでどんな効果音を入れるかも決めた。これにはAIを何度も回す必要があり、かなりの時間がかかった。

それを個別のCSVファイルにし、さらに通常の音声合成用に、トークン制限に収まるサイズまで細かく分割した。そこに効果音や環境音を加え、3〜4つのオーディオレイヤーを構築させた。そして、それらを音声化してすべてを統合し、最終的にチャプターごとのMP3ファイルとして出力させる。

もちろん、これをまたパイプライン化した。つまり、翻訳済みのCSVファイルを投入すれば、Audio Book Factoryがすべてを処理してくれる。合計7つのQwen3-TTSワーカーを稼働させており、モデルは1.7Bを使用している。これで自分専用のオーディオブックが完成するわけだ。10分のチャプター1つあたり、平均3.5分から4分で処理が終わる。このあたりのスループットとしては十分だと思っている。ちなみに音声生成自体の速度は1:3で、1分の作業で3分の音声が出力される。

現在、全2,517エピソードのうち800エピソード近くまで完了した。計算してみると、Pocket FMが1エピソード約1ユーロを要求していたとして、このちょっとした作業で2,500ユーロを節約できたことになる。言い換えれば、この作業をすべてこなしているPC代をこれで賄ったということであり、あとは電気代を少し払うだけで済む。

あ、それといつものお決まりの追記を。今回もいつものように、サーバー上の自前システムにシンプルなオーディオプレーヤーを構築した。Tailscaleネットワーク経由で外出先からもアクセスできる。最近、夜間にトラックの運転をしているのだが、おかげで運転中にしっかり耳に入れて楽しんでいる。