PDF/DOCX/TXT 转语音

核心工作流

将文档转为章节语音音频的完整流程：提取文本 → 检测章节 → 合成语音 → 输出MP3

# 一句话调用（自动提取+分章+合成+输出）
import asyncio
from scripts.pdf_to_speech import process_book

result = asyncio.run(process_book(
    input_path="精益医院.pdf",
    output_dir="./audio",                # 音频输出目录
    voice="zh-CN-XiaoxiaoNeural",        # 女声（推荐听书场景）
    rate="0%",                           # 语速调节
    per_chapter=True,                    # 按章节分文件输出
))

环境要求

pip install edge-tts pypdf2 python-docx pdfplumber

详细步骤

第一步：提取文本

from scripts.pdf_to_speech import extract_text

# 自动识别文件类型（.pdf / .docx / .txt）
text = extract_text("精益医院.pdf")

• PDF 优先使用 pdfplumber（提取质量更好），回退到 PyPDF2
• DOCX 使用 python-docx 提取
• 长文本会自动分段合成，无需手动分割

第二步：检测章节

from scripts.pdf_to_speech import detect_chapters, split_into_chapters

# 自动检测章节标题（支持中英文多种格式）
chapters = detect_chapters(text)

# 按章节切分内容
chapter_contents = split_into_chapters(text, chapters)

支持的章节标题格式：
- 第一章 引言、第1章 概述、第1节 内容
- Chapter 1: xxx、Part 1. xxx
- 1.、1、、1） 等行列标题

注意： 某些文档的章节格式可能不规范（如标题分两行、编号缺失等）。此时可手动传入自定义正则：

# 自定义章节检测模式
import re
custom_patterns = [
    r"第[一二三四五六七八九十百零]+章",  # 仅匹配"第X章"格式
]
chapters = detect_chapters(text, patterns=custom_patterns)

第三步：合成语音

from scripts.pdf_to_speech import synth_text_to_speech

# 单段文本合成
result = await synth_text_to_speech(
    text="要朗读的文本内容",
    output_path="chapter1.mp3",
    voice="zh-CN-XiaoxiaoNeural",  # 女声
    rate="0%",                      # 语速（+10%加快，-10%减慢）
    volume="0%",                    # 音量
    pitch="0Hz",                    # 音调
    chunk_size=2500                 # 每段最大字符数
)

自动分段机制： 超长文本（>2500字符）会自动按段落切分为多个合成段，合成完成后二进制拼接为单一 MP3 文件（无需 ffmpeg）。

第四步：完整处理（一键全流程）

import asyncio
from scripts.pdf_to_speech import process_book

async def main():
    result = await process_book(
        input_path="精益医院.pdf",
        output_dir="./audio",
        voice="zh-CN-XiaoxiaoNeural",   # 女声
        rate="0%",
        per_chapter=True,               # 分章输出
        chunk_size=2500,
        naming="auto"                   # 自动从章节标题命名
    )

    # result = {"chapters": [(title, mp3_path), ...], "total_size": int}
    for title, mp3 in result["chapters"]:
        print(f"  ✓ {title} -> {mp3}")

asyncio.run(main())

语音选择

参见 references/voices.md 获取完整语音列表。

推荐配置：
- 听书/小说： zh-CN-XiaoxiaoNeural（女声温柔自然，首选）
- 汇报材料/公文： zh-CN-YunxiNeural（男声沉稳专业）
- 新闻/公告： zh-CN-YunyangNeural（男声浑厚有力）
- 教学/培训： zh-CN-XiaoyiNeural（女声热情清晰）

CLI 命令行用法

也可直接在终端使用脚本，适合不需要 Python 代码的场景：

# 基本用法（默认女声）
python pdf_to_speech.py 精益医院.pdf --output-dir ./audio

# 指定男声 + 减慢语速
python pdf_to_speech.py 报告.docx -v zh-CN-YunxiNeural -r -10% -o ./audio

# 整篇合成一个文件（不分章）
python pdf_to_speech.py 文章.txt --no-chapter -o ./audio

实际案例：《精益医院》全书12章合成

以下是处理 1.4MB PDF/DOCX、165,382 字符、12章全书时的参数：

result = asyncio.run(process_book(
    input_path="精益医院_世界最佳医院管理实践_GLMOCR版.docx",
    output_dir="./ebook_output/audio",
    voice="zh-CN-XiaoxiaoNeural",    # 女声
    chunk_size=2500,                 # 每段2500字符
))
# 输出：12章 MP3，总计约 172MB

已知问题与处理建议

完整流程示意图

输入文件(.pdf/.docx/.txt)
    │
    ▼
提取文本（自动识别格式）
    │
    ▼
检测章节标题（正则匹配中英文格式）
    │
    ▼
逐章合成（长文本自动分段→Edge TTS→二进制拼接）
    │
    ▼
输出 MP3 文件（每章一个独立文件）

资源说明

scripts/

• pdf_to_speech.py — 核心脚本，包含全部功能（文本提取、章节检测、语音合成、CLI入口）

references/

• voices.md — Edge TTS 语音列表及参数说明