詳しく知る
オープンソースのオーディオブック生成ツールが求められる理由
オープンソースのオーディオブック生成ツールが検索されるのには理由があります。無料で使え、テキストを自分のコンピューターの外に出す必要がなく、仕組みを自分で変更できるからです。GitHubでAIオーディオブック生成ツールを探すと、EPUBをオーディオブックに変換する活発なプロジェクトが見つかり、その背後にあるオープンな音声モデルも急速に進化しています。
このページでは、人々が実際に検索するプロジェクトを、2026年10月21日時点で確認したREADME、ライセンスファイル、モデルカードに基づいて、それぞれの要件と出力を整理します。その上で、ローカルで無料という選択肢と、自動キャスティング付きのホスト型という選択肢のそれぞれについて、正直なところを説明します。
GitHubの主要プロジェクト
最も幅広いのがebook2audiobookです。EPUB、MOBI、PDF、DOCX、TXTなどに対応し、デフォルトで章とメタデータ付きのM4Bを出力します。XTTSv2、Bark、VITS、Tortoiseなどのエンジンを切り替えられ、オプションで声のクローンも可能です。ローカルWeb UI、Docker、Colabを通じてCPUまたはGPUで動作します。コードはApache-2.0で、最新リリースは2026年10月5日に公開されました。
audiblezはEPUBを入力し、Kokoroが単一の声で読み上げたM4Bを出力するという一点に特化しており、パッケージングはffmpegが担当します。abogenはEPUB、PDF、TXT、Markdown、字幕ファイルを入力し、章付きのMP3、FLAC、WAV、M4Bに加えて字幕も出力でき、Kokoroをオフラインに保つ設定もあります。どちらもMITライセンスです。epub_to_audiobookはAudiobookshelf向けに章ごとのMP3を書き出し、オンラインではAzure、OpenAI、Edgeの声を、ローカルではPiperやKokoroを使用します。
音声:Kokoro、Piper、XTTS、Edge TTS
Kokoroはこれらのツールの多くが共有する声で、audiblez、abogen、Audiobook Creatorがすべて採用しているため、Kokoro TTSのオーディオブックが通常の出発点となります。8200万パラメータのオープンウェイトモデルで、Apache-2.0の下で公開されており、商用利用も可能です。Piperは高速なローカルエンジンです。現在のリポジトリpiper1-gplはGPL-3.0で、メンテナーを募集中と記載されています。また、Piperの各音声にはそれぞれのモデルカードとライセンスが付属しており、中には制限の厳しいものもあります。
CoquiのXTTS-v2は6秒のクリップから17言語で声をクローンできますが、Coqui Public Model Licenseではモデルとその出力の非商用利用のみが許可されています。また、edge ttsのオーディオブックはまったくローカルではありません。edge-ttsのREADMEには、コード自体はオープンソースであっても、Microsoft Edgeのオンラインテキスト読み上げサービスを使用すると記載されています。
キャラクターの声:話者帰属を試みるプロジェクト
ほとんどのプロジェクトは本全体を単一の声で読み上げます。ebook2audiobookは声を切り替えられますが、音声タグを使って自分で箇所をマークする必要があります。自動化を試みているのがAudiobook Creatorです。OpenAI互換APIを通じて実行する言語モデルが、まず登場人物を年齢と性別とともにリストアップし、次に各行を帰属させ、ツールが性別に基づいて声を割り当てます。READMEでは少なくとも20,000トークンのコンテキストウィンドウを推奨しています。
それがFullCastBookがサーバー上で解決する問題です。OFFICER REYES: [firm, tired] Step away from the car.という行を考えてみてください。単一音声のツールは前後のナレーションと同じように読み上げますが、フルキャストならレイエスに専用の声を与え、本の最後までその声を保ちます。
セットアップ、ハードウェア、本1冊あたりの時間
PythonまたはDocker、M4B用のffmpeg(Audiobook Creatorではcalibre)、そしてある程度のコマンドライン作業が必要です。GPUはほとんどのプロジェクトでオプションですが、待ち時間が変わります。audiblezのREADMEによると、Colab T4 GPUで毎秒約600文字、M2 MacBook ProのCPUで毎秒約60文字です。計算すると、8万語の小説は約47万文字なので、そのGPUで約13分、そのCPUで2〜3時間かかることになります(やり直しを除く)。
ハードウェア対応はプロジェクトによって異なります。Audiobook CreatorはApple Silicon GPU非対応と明記し、ebook2audiobookはCUDAやROCmと並んでAppleのMPSを挙げ、abogenはLinuxのみでAMD GPUをサポートします。無料のホスト型モデルを手動で試したい場合は、Google AI Studioオーディオブックのチュートリアルをご覧ください。
ホスト型フルキャストが作業を節約する場面
FullCastBookは無料・オフラインの部分を省く代わりに手間を減らします。インストールは不要。EPUB、テキストレイヤー付きPDF、DOCX、TXT、Markdownファイルをアップロードするだけで、章と話者が自動検出されます。各キャラクターにはナレーターとは別の声が割り当てられ、[whisper]や[sigh]でセリフを演出でき、章ごとではなく1行だけ再生成でき、章マーカー付きM4B、単体MP3、または章ごとのZIPで書き出せます。
コスト・プライバシー・コントロールの面では、オープンソースに軍配が上がります。オフラインで動作し、ハードウェア以外は無料で、コードを読んで変更でき、ebook2audiobookはボイスクローンにも対応しています(当サービスでは提供していません)。テキストもお使いのマシン内に留まります。FullCastBookの場合、テキストは音声プロバイダー(標準音声はGoogleのGemini TTS、プレミアム音声はElevenLabs)に送信されます。
どちらを選ぶか
PythonやDockerに抵抗がなく、無料で高品質な声を1つ使いたい、あるいは完全オフラインが必要なら、ローカルのAIオーディオブック生成ツールを選びましょう。販売する前には音声のライセンスを確認してください。会話が多い本、ツールチェーンを維持したくない場合、章とキャラクター音声を一か所で管理したい場合は、オーディオブックスタジオのホステッド・フルキャストを選びましょう。
ボイススタジオやストアプログラムを含む広範な情報はオーディオブック向けTTS比較ガイドを、フォーマット自体についてはM4Bオーディオブックメーカーをご覧ください。





