Jak przekształcić dowolną książkę w produkcję audio z wieloma głosami za pomocą Alexandrii

Znana sytuacja: znajdujesz ciekawą książkę lub fanfik, który chcesz "pożreć" w jeden wieczór, ale po prostu nie masz czasu, żeby usiąść i przeczytać. Zwykłe "czytniki" z syntetycznymi głosami brzmią jak roboty z lat osiemdziesiątych, a profesjonalne audiobooki kosztują pieniądze lub po prostu nie istnieją dla rzadkich dzieł. Ostatnio natknąłem się na projekt Alexandria, który rozwiązuje ten problem na poziomie niemal studyjnym.

Co to jest

Alexandria to nie tylko kolejny skrypt text-to-speech. To pełnoprawny pipeline, który pobiera plik tekstowy i przekształca go w sformatowany scenariusz. System sam rozumie, gdzie mówi narrator, a gdzie postacie, przypisując każdej z nich unikalny głos. Działa na silniku Qwen3-TTS, który potrafi przekazać emocje, robić pauzy, a nawet naśladować westchnienia lub śmiech.

Główną zaletą jest to, że projekt łączy możliwości dużych modeli językowych (LLM) do analizy tekstu i nowoczesnych sieci neuronowych do syntezy mowy. Otrzymujesz nie monotonne mamrotanie, ale pełnoprawną produkcję audio.

Jak działa proces

Praca z narzędziem podzielona jest na logiczne etapy. Spodobało mi się, że developer nie zmusza do grzebania w konsoli — jest w pełni użyteczny interfejs webowy.

Adnotacja scenariusza przez LLM

Najpierw wrzucasz książkę do programu. Alexandria łączy się z lokalnym LLM (przez Ollama lub LM Studio) lub z API OpenAI. Sieć neuronowa analizuje tekst i konwertuje go do struktury JSON. Wyodrębnia dialogi, identyfikuje mówcę, a co najlepsze — pisze instrukcje głosowe. Na przykład: "Marcus mówi to z groźbą w głosie, niskim, podstępnym tonem".

Praca z głosami

Po adnotacji trafiasz do sekcji zarządzania głosami. Dla każdej znalezionej postaci możesz wybrać jeden z dziewięciu presetów lub pójść dalej:

• Klonowanie: wrzucasz 10-sekundową próbkę audio, a postać będzie mówić tym głosem.
• Voice Design: możesz po prostu opisać głos tekstem, na przykład: "Ciepły głos starszej kobiety z lekką chrypką", a sieć neuronowa stworzy go od zera.
• Trening LoRA: dla tych, którzy chcą idealnego rezultatu, jest opcja dostrojenia modelu na konkretnym zbiorze danych bezpośrednio w interfejsie.

Edytor i eksport

Przed finalnym złożeniem możesz odsłuchać każdy segment osobno. Jeśli sieć neuronowa popełniła błąd w intonacji gdzieś, po prostu edytujesz instrukcję tekstową i regenerujesz ten konkretny kawałek. Wynikiem jest albo pojedynczy plik MP3/M4B z rozdziałami, albo projekt dla Audacity, gdzie każdy głos jest na osobnej ścieżce. Jest to wygodne, jeśli chcesz ręcznie dodać muzykę lub efekty.

Strona techniczna

Projekt jest napisany w Pythonie i wymaga dość mocnego sprzętu, jeśli chcesz szybko generować audio.

• Minimum: 8 GB pamięci wideo (VRAM). To wystarczy do pracy linia po linii.
• Zalecane: 16 GB i więcej. Wtedy możesz włączyć przetwarzanie wsadowe, które przyspiesza proces 3-6 razy.
• Optymalizacja: torch.compile jest wspierane, co daje zauważalny wzrost prędkości na kartach NVIDIA i AMD (na Linuksie).

Ciekawe jest to, że autor dołączył wsparcie dla Pinokio — to przeglądarka dla aplikacji AI, która automatycznie instaluje wszystkie zależności, środowiska i biblioteki. Dla tych, którzy nie chcą się bawić w pip install i konflikty wersji, to ratunek.

Praktyczne korzyści

Po co developerowi coś takiego? Poza oczywistym "zrób audiobooka z dokumentacji", jest kilka ciekawych przypadków użycia:

1. Prototypowanie głosu dla gier: możesz szybko naszkicować dialogi i posłuchać, jak brzmią wykonywane przez różne postacie, bez zatrudniania aktorów na wczesnych etapach.
2. Tworzenie treści: jeśli prowadzisz podcast lub kanał YouTube, Alexandria pomoże tworzyć jakościowe segmenty z różnymi głosami.
3. Automatyzacja: projekt ma REST API. Możesz zintegrować generowanie głosu ze swoimi pipeline'ami.

Czy warto spróbować

Jeśli masz kartę graficzną na poziomie RTX 3060 lub wyższym, to zdecydowanie tak. Alexandria to jedno z najbardziej przemyślanych narzędzi w swojej niszy. Nie tylko "czyta tekst" — stara się zrozumieć kontekst i emocje dzieła.

Jeśli chodzi o wady: projekt jest dość ciężki. Przy pierwszej instalacji pobierze około 20 GB danych (biblioteki + wagi modelu). Weź też pod uwagę, że potrzebujesz dobrego LLM do jakościowej adnotacji tekstu — małe modele z 3-7 miliardami parametrów mogą się mylić w kwestii postaci.

Ogólnie to świetny przykład na to, jak sieci neuronowe zmieniają się z zabawnych zabawek w naprawdę przydatne narzędzia do codziennych zadań. Możesz wypróbować lokalnie lub przez Google Colab, jeśli nie masz wystarczającego własnego sprzętu.