MUCKYWORX // PROJECT
Audiobook Factory
PROJECT

Audiobook Factory

如果你非常想要一本有声书,但 Pocket FM 的价格又贵得离谱,该怎么办?

天呐,我不小心爱上了《吸血鬼系统》(Vampiresystem)。我显然被 Pocket FM 网站用这部作品给“钓”进去了,完全沉浸在故事之中。结果到了一定阶段,免费章节用完了,Pocket FM 开始要钱。接着出现了第一个诱导方案,我上当了。然后是第二个方案,这次简直是阴险。到了第三次,我赶紧踩了刹车,心想:“没门。” 因为按照他们的算法,一个大约 10 分钟的章节竟然要花将近 1 欧元。

于是我决定得想个办法——不能这么被宰。首先,因为德语版搞不到,我设法弄到了英文原版。然后,我利用本地 AI 将这部长达 2,517 章的“杰作”翻译了出来。翻译完成后,我把整个内容拆解开,按角色分类,并让 AI 判定谁是哪个角色、对应什么情感等等,以及在什么时候加入什么样的音效。这经过了 AI 的多次迭代,花了不少时间。

我将这些内容转换成单个 CSV 文件,为了进行正常的配音,我又将其进一步拆分,以确保在 Token 限制之内。接着,我加入了音效和环境音,并构建了三到四个音频层。然后,开始配音并重新合成,把所有细节都加上,最终让每个章节都输出为一个 MP3 文件。

不出所料,我又把这一整套流程做成了 Pipeline。也就是说,我现在只需要把翻译好的 CSV 文件丢进去,Audio Book Factory 就会自动处理一切。它总共使用了 7 个 Qwen3-TTS Worker。我使用的是 1.7B 模型,现在基本上就能直接出有声书了。平均每个 10 分钟的章节需要 3.5 到 4 分钟的处理时间。我觉得这个吞吐量相当不错。顺便提一下,纯音频生成的速度是 1:3 —— 即 1 分钟的工作时间可以产出 3 分钟的音频。

目前我已经完成了 2,517 集中的近 800 集。现在算一笔账:如果 Pocket FM 每集要 1 欧元,那么通过这点小工程,我省下了 2,500 欧元。换句话说:这笔钱足够买下我现在用来处理所有工作的这台电脑,现在我只需要支付一点电费就搞定了。

哦对了,还有我习惯性的补充:像往常一样,我在服务器的自有系统中构建了一个简单的音频播放器,这样我可以通过 Tailscale 网络在旅途中访问。我最近在晚上开卡车,这样我就能在车上正儿八经地听书了。