MUCKYWORX // PROJECT
Audiobook Factory
PROJECT

Audiobook Factory

Ano ang mangyayari kapag gustong-gusto mo ng audiobook pero sobrang mahal naman ng Pocket FM?

Sa kasamaang palad, nahulog ang loob ko sa Vampiresystem. Siyempre, nauto ako ng Pocket FM gamit ang Vampiresystem at talagang nahumaling ako sa story. Pero dumating yung point na ubos na yung mga free chapters at gusto na ng Pocket FM ng pera. Tapos may unang lock offer, na nahulog ako. May pangalawang lock offer, na medyo tuso na. Sa pangatlong beses, nag-break ako at sinabing: „Hindi pwede ‘to.“ Kasi theoretically, nasa isang euro na ako para sa isang chapter na may habang sampung minuto, base sa computation nila.

Kaya inasikaso ko na ‘to – hindi pwedeng ganito. Nagsimula ako sa pagkuha ng English original kasi hindi mahanap yung German version. Tapos, isinalin ko muna itong masterpiece na may 2,517 chapters gamit ang local AI ko. Pagkatapos ng translation, hinimay-himay ko ang lahat, inayos ang mga speakers, at pinatukoy sa AI kung sino ang bawat speaker, anong emosyon ang dapat gamitin, at iba pa. At kailan dapat pumasok ang mga audio sound effect? Maraming passes ng AI ang kinailangan nito at medyo matagal talaga.

Ginawa ko itong mga separate na CSV files at hinati-hati pa ulit para sa normal na voice-over, para lang manatili sila sa token limit. Nagdagdag din ako ng mga sound effects at ambient sounds at pinagawa ng tatlo hanggang apat na audio layers. At oo, pagkatapos ay ni-voice over ang lahat at pinagsama-sama ulit kasama ang lahat ng detalye, para sa huli ay may MP3 ako bawat chapter.

Siyempre, ginawa ko itong pipeline. Ibig sabihin, ihuhulog ko na lang yung mga tapos at translated na CSV files sa simula, at ang Audio Book Factory na ang bahalang mag-compute ng lahat. Gumagamit ito ng total na pitong Qwen3-TTS workers. Ginagamit ko ang 1.7B model para dito at ngayon ay nakukuha ko na ang audiobook ko. Average na 3.5 hanggang 4 na minuto ang kailangan ko para sa bawat 10-minute chapter. Para sa akin, maayos na throughput ito. By the way, ang audio generation ay may speed na 1 to 3 – ibig sabihin, isang minutong trabaho, tatlong minutong audio ang lumalabas.

Sa ngayon, nasa halos 800 episodes na ako mula sa 2,517. At kung i-compute natin: kung gusto ng Pocket FM ng halos isang euro bawat episode, nakatipid ako ng 2,500 euro sa konting trabahong ito. Sa madaling salita: nabili ko na yung computer ko na gumagawa ng lahat ng trabahong ito, kaya bayad na lang ako ng konting kuryente para sa lahat ng ito.

Ah oo, at heto na naman ang paborito kong dagdag: gaya ng dati, gumawa ako ng simpleng audio player sa sarili kong system sa server, na naa-access ko habang on-the-go gamit ang Tailscale network ko. LKW driver na ako tuwing gabi ngayon, kaya may maayos na napapakinggan ako habang nagmamaneho.