AI-bild, video och ljud · Text till tal och ljudböcker
Gör ljudböcker av epub, pdf och docx med kapitel och metadata via flera TTS-motorer och röstkloning, i Docker med webbgränssnitt.
Betyg 74 av 100 Preliminär (källbaserad)
Läs bedömningenProjektets eget CLI kör konverteringar i headless-läge med namngivna sessioner som kan återupptas efter avbrott, och det inbyggda Gradio-gränssnittet anropar samma motor. Något dokumenterat REST-API för automation finns inte.
Källa: README, Basic Headless Usage
Kontrollerat:
Communityprojekt som lägger en asynkron jobbkö framför ebook2audiobook och exponerar den som MCP-server, så en agent kan starta konverteringar och följa dem. Någon MCP-server i projektet självt finns inte.
Källa: GitHub-repo, README
Kontrollerat:
Totalbetyg
74 av 100
Preliminär (källbaserad)
Koden är Apache-2.0 enligt LICENSE (raw.githubusercontent.com/DrewThomasson/ebook2audiobook/main/LICENSE, läst 2026-10-30). Men standardmotorn XTTSv2 har vikter under Coqui Public Model License (HF-kortet coqui/XTTS-v2: license: other, license_name: coqui-public-model-license), alltså inte OSI, och villkoren gick inte att läsa eftersom coqui.ai/cpml inte längre resolverar. Övriga motorer har egna licenser. Kontrollen över koden är full, men rättigheterna till rösterna måste prövas per vald motor.
README dokumenterar epub, mobi, pdf, docx, txt, html och odt in samt OCR av inskannade sidor; ut m4b, mp3, flac, wav, ogg, aac och mp4 med kapitel och metadata. Batch via --ebooks_dir och headless-läge finns. Luckor: bara DRM-fria böcker, epub saknar kapitelstandard så texten behöver ofta städas, och moderna motorer är långsamma utan grafikkort.
In- och utformat är standard (epub/pdf in, m4b/mp3 ut) och filerna är fritt flyttbara; README beskriver integration mot Audiobookshelf. Det finns inget HTTP-API, så dataflytten sker som filer och via CLI — fullt möjlig men utan dokumenterat gränssnitt för andra system.
Mycket aktiv: releases.atom visar v26.10.1 (2026-10-05) med datumversionerade utgåvor varje till varannan vecka. 22 gränssnittsspråk i lib/lang, 24 README-översättningar och Docker-bygge i CI. Men en enda huvudmaintainer, ingen verifierad säkerhetspolicy och snabb versionsrytm gör versioner snabbt inaktuella.
Headless-läget är dokumenterat med full flagglista i README (--headless, --ebook, --ebooks_dir, --language, --tts_engine, --custom_model samt JSON-mappning bok till röst), vilket ger verklig automation för schemalagda batchkörningar. Inget HTTP-API och ingen MCP; Gradio är det enda interaktiva gränssnittet.
Docker är huvudvägen: athomasson2/ebook2audiobook med varianter för cpu, CUDA, ROCm, XPU och Jetson, plus docker-compose och podman-compose. Minimum 2 GB RAM och 1 GB VRAM, rekommenderat 8 GB RAM och 4 GB VRAM; modellvikter på flera GB hämtas vid första körningen. Tydligt dokumenterat och hanterbart.
0 kr i licens (Apache-2.0 för koden). TCO-antaganden: maskin med grafikkort för rimliga körtider, disk för modeller och ljudfiler samt arbetstid för att städa texten i varje bok. Röstmodellernas licenser kan dessutom kräva juridisk prövning vid kommersiell användning.
Verifierat svenskt belägg: readme/README_swe.md finns (HTTP 200, ca 34 kB) och svenska anges bland de 1158 språk projektet uppger för inläsning. Negativ kontroll för gränssnittet: lib/lang innehåller 22 legends_*.py (ara, ben, deu, eng, fas, fra, hin, hun, ind, ita, jav, jpn, kor, pol, por, rus, spa, tam, tel, tur, yor, zho) och ingen legends_swe.py — gränssnittet är alltså inte översatt till svenska.
## Vad det gör
ebook2audiobook gör en ljudbok av en bokfil: texten delas upp i kapitel, läses in av en TTS-motor och skrivs ut som ljudfil med kapitelmarkeringar och metadata. Epub och mobi ger bäst kapitelindelning; pdf, docx, txt, html och odt går också, liksom OCR av inskannade sidor. Utdata kan bli m4b, mp3, flac, wav, ogg, aac eller mp4.
Motorerna är XTTSv2, Bark, VITS, Fairseq, Tacotron2, YourTTS, Tortoise och GlowTTS, och röstkloning görs från ett röstprov på någon minut. Projektet uppger stöd för 1158 språk, däribland svenska; pauser och röstbyten styrs med enkla taggar.
## Driftsättning
Enklaste vägen är Docker: athomasson2/ebook2audiobook finns i varianter för cpu, CUDA, ROCm, XPU och Jetson och startar ett Gradio-gränssnitt på port 7860. Samma image kan köras headless med --ebook och --language för schemalagda körningar; repot har både docker-compose och podman-compose.
## Vad som krävs
2 GB RAM och 1 GB VRAM är miniminivå; 8 GB RAM och 4 GB VRAM rekommenderas. Moderna motorer är långsamma på CPU, så utan grafikkort blir det enklare motorer och längre körtider. Endast böcker utan DRM får användas, och eftersom epub saknar kapitelstandard behöver texten oftast städas först.
5 skärmbilder. Välj en bild för att visa den i full storlek. Svep i sidled för fler.
AI-bild, video och ljud · Nodbaserat gränssnitt och lokalt inferensgränssnitt för generativ AI
ComfyUI är en nodbaserad motor för bild- och videogenerering, där diffusionsmodeller som Stable Diffusion och Flux kopplas ihop till körbara arbetsflöden.
AI-bild, video och ljud · Inferensmotor för bild- och videogenerering i ren C/C++ på ggml
Diffusionsmodeller i ren C/C++: kör Stable Diffusion, FLUX och Wan på CPU eller GPU, med kommandoradsverktyg, webbgränssnitt och HTTP-API i samma binär.
