深入了解
为什么有人要找开源有声书生成工具
找开源有声书生成工具的人，理由都很实在：免费，文本不用离开自己的电脑，还能按自己的需要改代码。在 GitHub 上搜 AI 有声书，能找到一批相当活跃的项目，专门把 EPUB 变成有声书，背后的开源语音模型这两年也进步很快。
本页梳理大家实际在搜的这些项目：每个需要什么、能产出什么，依据是它们的 README、许可文件和模型卡，核对日期 2026 年 10 月 21 日。然后如实说说两条路各自的道理：本地免费，还是在线托管、自动选角。
GitHub 上的主要项目
ebook2audiobook 覆盖面最广。它支持 EPUB、MOBI、PDF、DOCX、TXT 等多种格式，默认输出带章节和元数据的 M4B，可以在 XTTSv2、Bark、VITS、Tortoise 等引擎之间切换，也能选用声音克隆。它可以用 CPU 或 GPU，通过本地网页界面、Docker 或 Colab 运行。代码是 Apache-2.0 许可，最新版本发布于 2026 年 10 月 5 日。
audiblez 只做一件事：输入 EPUB，输出 M4B，由 Kokoro 用一个声音读完整本，打包交给 ffmpeg。abogen 支持 EPUB、PDF、TXT、Markdown 和字幕文件，可导出 MP3、FLAC、WAV 或带章节的 M4B，还能生成字幕，并且有让 Kokoro 完全离线的设置。两者都是 MIT 许可。epub_to_audiobook 则按章输出 MP3，适合 Audiobookshelf，可以在线调用 Azure、OpenAI 或 Edge 的声音，也可以在本地用 Piper 和 Kokoro。
声音模型：Kokoro、Piper、XTTS 和 Edge TTS
Kokoro 是这些工具最常共用的声音：audiblez、abogen 和 Audiobook Creator 都用它。它是一个 8200 万参数的开放权重模型，采用 Apache-2.0 许可，允许商用。Piper 是速度很快的本地引擎，现在的仓库 piper1-gpl 是 GPL-3.0 许可，并写明正在寻找维护者；而且每个 Piper 声音都附带自己的模型卡和许可，其中有些限制较多。
Coqui 的 XTTS-v2 能用 6 秒音频克隆声音、支持 17 种语言，但它的 Coqui Public Model License 只允许非商业地使用模型及其输出。至于 edge-tts，虽然代码开源，却根本不是本地方案：它的 README 写明调用的是微软 Edge 的在线语音合成服务。
角色配音：谁在尝试自动归属说话人
大多数项目整本书只用一个声音。ebook2audiobook 可以切换声音，但需要你自己用声音标签标出段落。Audiobook Creator 是真正尝试自动完成的那个：通过任意兼容 OpenAI 的接口，让你自己运行的大语言模型先列出角色和他们的年龄、性别，再把每句台词归到说话人名下，最后按性别分配声音。它的 README 建议上下文窗口至少 20,000 个 token。
FullCastBook 在服务器端解决的正是这个问题。比如这一句：雷耶斯警官：[firm, tired] 离车远一点。单声音工具会把它读得和周围的叙述一个样；多角色版本会给雷耶斯一个专属声音，并在整本书里保持不变。
安装、硬件和每本书要花的时间
准备好 Python 或 Docker，做 M4B 要 ffmpeg（Audiobook Creator 用 calibre），还要敲一些命令行。多数项目 GPU 是可选的，但等待时间差别很大。audiblez 的 README 写到：在 Colab 的 T4 GPU 上每秒约 600 个字符，在 M2 MacBook Pro 的 CPU 上每秒约 60 个。按我们的估算，一部 8 万词的英文小说约 47 万字符，在那块 GPU 上大约 13 分钟，在那台电脑的 CPU 上要两到三小时，还不算返工。
各项目的硬件支持也不一样：Audiobook Creator 写明不支持 Apple Silicon 的 GPU，ebook2audiobook 同时列出了苹果的 MPS、CUDA 和 ROCm，abogen 只在 Linux 上支持 AMD 显卡。如果你想先手动试试免费的在线模型，可以看 Google AI Studio 做有声书。
在线多角色方案省掉的工作
FullCastBook 用“不免费、不离线”换来更少的工作量。不用安装任何东西：上传 EPUB、有文字层的 PDF、DOCX、TXT 或 Markdown 文件，章节和说话人会自动识别。每个角色和旁白各用不同的声音，可以用 [whisper] 或 [sigh] 指导某一句，只重生成一句而不是一整章，并导出带章节标记的 M4B、一个 MP3 或按章打包的 ZIP。
开源在成本、隐私和可控性上依然占优：可以离线，除了硬件不花钱，能读能改源码，ebook2audiobook 还能克隆声音，这一点我们不提供。文本也一直留在你的电脑里；而用 FullCastBook 时，文本会发送给我们的语音服务商：标准声音是 Google 的 Gemini TTS，高级声音是 ElevenLabs。
该走哪条路
如果你熟悉 Python 或 Docker，只想免费要一个好声音，或者必须全程离线，就选本地的开源工具，卖之前记得确认所用声音的许可。如果书里对白多、你不想维护一整套工具链，或者希望章节和角色声音在一个地方搞定，就用在线多角色方案，直接打开有声书工作室。
想看更大范围的对比，包括配音工作室和商店自带的 AI 朗读，请看有声书制作软件哪个好；想了解格式本身，请看 M4B 有声书制作。
