ebook2audiobook 是一款开源的电子书转有声书工具，支持 1107+ 种语言和多种 TTS 引擎（XTTSv2、Bark、VITS 等），可选语音克隆，自动分割章节并保留元数据。Windows/Linux/MacOS 全平台支持，提供 Web GUI、Docker、Colab 一键部署。
🎤 引言
手头有一堆 EPUB 想通勤路上听，又嫌 TTS 软件发音塑料感太强？想听自己的小说但录完整本又累到吐血？
GitHub 上有个叫 ebook2audiobook 的项目，靠 Coqui XTTSv2 把这事儿自动化了——19.3k Star、14207 次 commit，社区里讨论热度不低。最大卖点是支持 1107 种语言（README 写的是 1158，可能是不同 TTS 引擎覆盖范围差异），还能用一段参考音频做语音克隆。
不是新项目，但最近一次更新很频繁，对中文支持也走 ISO-639-3 代码。下面展开聊聊它到底能干啥、坑在哪。
⭐ 核心功能
1. 多 TTS 引擎支持
README 列出来的引擎一长串：XTTSv2、Bark、Fairseq、VITS、Tacotron2、Tortoise、GlowTTS、YourTTS。默认走 XTTSv2（语音克隆效果最自然），其他引擎可在 headless 模式下手动切换。不同引擎对硬件要求差别挺大，VITS 速度最快但音色选择少，Tortoise 音质好但慢到怀疑人生。
2. 1107+ 种语言
这是它最大的差异化卖点。基于 Fairseq 的多语言模型，加上 XTTSv2 的语言扩展，覆盖度比同类项目（Kokoro、ChatTTS、OpenVoice）广得多。中文用 zho 或 cmn，英文用 eng，ISO-639-1 两字母代码也认。
3. 语音克隆（Voice Cloning）
传一段参考音频（ref.wav，10 秒以上），工具会用你的音色合成全书。这也是双刃剑——官方 README 开头专门加了 IMPORTANT 警告："仅限合法获取的非 DRM 电子书使用，作者不对任何滥用负责"。GitHub Issues 里也有人反馈被滥用做 deepfake 的担忧。
4. 自动章节分割 + 元数据
借 Calibre 解析 EPUB/PDF/MOBI，按章节切片生成独立音频文件，附带标题、作者、封面等元数据。最终输出可以直接丢进 audiobook 播放器（手机自带的、Apple Books、foobar2000 等）。
5. 三种使用方式
- Gradio Web GUI：浏览器点点鼠标，上传 → 选语音 → 生成
- 命令行 headless 模式：脚本党友好，能挂 cron
- Docker 部署：CUDA / ROCM / XPU / JETSON 都有官方镜像，CPU 也能跑（4GB 内存起步）
📥 安装与使用
最省事：Hugging Face Space
项目作者在 HF 上挂了免费 Space，直接上传文件就能用：
https://huggingface.co/spaces/drewThomasson/ebook2audiobook_v1.0
不用自己折腾 GPU 配额，但要注意排队时间，免费 Space 资源紧张。
本地快速跑（Docker）
# CPU 版
docker run -v "./ebooks:/app/ebooks" \
-v "./audiobooks:/app/audiobooks" \
-v "./models:/app/models" \
-v "./voices:/app/voices" \
-v "./tmp:/app/tmp" \
--rm -it -p 7860:7860 \
athomasson2/ebook2audiobook:latest打开 http://localhost:7860 就是 Web 界面。GPU 版把 --gpus all 加上、镜像换成 cu126 之类的 tag，速度差几十倍。
命令行模式（Linux/Mac）
./ebook2audiobook.command --headless \
--ebook ./test_books/mybook.epub \
--voice ./voices/ref.wav \
--language zho中文文档里 zho（ISO-639-3）和 cmn 都行，工具会自动 fallback 到默认。
Google Colab 一键版
项目 README 里给了 Colab 链接，白嫖 GPU 不求人，缺点是会话会超时断线，长书得续跑。
GitHub 仓库里 README 写得很细，各种报错 FAQ（脚本停了重连要刷新 GUI 页面这类小坑都列了）。
🎯 适用场景
- 通勤族听书：手头 EPUB/MOBI 太多，眼睛看不过来，TTS 转一遍丢进手机
- 网文/小说出海：跨国翻译出版前用克隆音色生成试听 demo
- 视障/阅读障碍辅助：GitHub Discussions 里看到有人反馈做无障碍用途效果不错
- 播客内容生产：把文章/书转语音做节目素材
- 冷门语种听书：1100+ 语种支持是小语种学习党的福音
不适合：实时对话场景（延迟太高）、需要高度情感表现力的有声书（AI 朗读平板感还在）。
🔍 对比/替代方案
| 工具 | 优势 | 劣势 |
|---|---|---|
| ebook2audiobook | 1100+ 语种、克隆、多引擎、GUI 全 | 资源占用大、中文音色少 |
| Kokoro TTS | 轻量、中文自然度高 | 不支持克隆、需自己接 Calibre |
| ChatTTS | 中文表现好、开箱即用 | 无多语种、无章节分割 |
| OpenVoice | 克隆效果好、API 友好 | 只做克隆不做整书转换 |
| 微软 Azure TTS | 商用级音质、稳定 | 收费、克隆需额外认证 |
ebook2audiobook 的核心壁垒是端到端流水线：Calibre 解析 → 章节切片 → 多 TTS 引擎 → 克隆 → 元数据封装，一套全包。其他方案要么缺前端、要么缺后端，需要自己拼。
⚠️ 注意事项
1. 硬件门槛
README 写"4GB 内存可运行"，但实际跑 XTTSv2 至少要 8GB 显存才有合理速度。CPU 模式长书（300 页+）可能要等几小时。
2. 中文支持的真实体验
虽然支持 zho/cmn，但社区反馈中文朗读的韵律比 ChatTTS 这种专做中文的模型弱一点。商业有声书级别（情绪起伏、口音）还达不到，自用听个响没问题。
3. 合法使用边界
官方多次强调：仅限合法获取的非 DRM 电子书。DRM 破解、盗版有声书制作都违反 ToS，且在很多司法管辖区违法。GitHub Issues 里也有人在问能不能去掉 DRM——作者一直硬刚拒绝。
4. Docker 镜像更新滞后
旧版 athomasson2/ebook2audiobookxtts 已经标记 legacy，新版统一到 athomasson2/ebook2audiobook。看到博客/教程用老镜像的要注意切换。
5. Gradio 会话问题
README 特别提到："脚本停了重跑需要刷新 GUI 页面才能连上新 socket"——这是新手最常踩的坑，别以为是 bug。
GitHub Issues 里搜索 "common issues" 标签能避开大部分坑。
✅ 总结
优点：
- 端到端流水线，从 EPUB 到带章节的 m4b/audio 一气呵成
- 1100+ 语种覆盖，同类项目无出其右
- 语音克隆免费可用，效果虽不如商业但够自用
- 部署方式齐全：HF Space、Colab、Docker、本地脚本任选
缺点：
- 中文朗读自然度不如专做中文的模型
- 资源占用大，老电脑跑不动
- DRM 严格不碰，对商业有声书场景价值有限
推荐指数：⭐⭐⭐⭐（开源领域）
适合想把自有电子书库批量转有声书的玩家，以及冷门语种听书需求的用户。如果你只听中文、且对音质要求高，建议先试试 ChatTTS 或 Azure；如果是想一条龙搞定多语种 + 克隆，ebook2audiobook 仍是目前 GitHub 上最成熟的方案。