Wie man jedes Buch mit Alexandria in eine mehrstimmige Hörproduktion verwandelt

Eine vertraute Situation: Man findet ein cooles Buch oder Fanfiction, das man am liebsten "verschlingen" würde, aber es fehlt einfach die Zeit, sich hinzusetzen und zu lesen. Herkömmliche "Vorleser" mit synthetischen Stimmen klingen wie Roboter aus den Achtzigern, und professionelle Hörbücher kosten Geld oder existieren schlichtweg nicht für seltene Werke. kürzlich bin ich auf das Projekt Alexandria gestoßen, das dieses Problem auf beinahe Studio-Niveau löst.

Was es ist

Alexandria ist nicht nur ein weiteres Text-to-Speech-Skript. Es ist eine vollwertige Pipeline, die Ihre Textdatei nimmt und in ein formatiertes Skript verwandelt. Das System erkennt selbstständig, wo der Erzähler spricht und wo die Figuren, und weist jeder eine einzigartige Stimme zu. Es basiert auf der Qwen3-TTS-Engine, die Emotionen vermitteln, Pausen machen und sogar Seufzer oder Lachen nachahmen kann.

Das Haupt-Highlight ist, dass das Projekt die Fähigkeiten großer Sprachmodelle (LLM) zur Textanalyse mit modernen neuronalen Netzen zur Sprachsynthese kombiniert. Man erhält kein monotones Gemurmel, sondern eine vollwertige Hörproduktion.

So funktioniert der Prozess

Die Arbeit mit dem Tool ist in logische Phasen unterteilt. Mir hat gefallen, dass der Entwickler einen nicht zwingt, sich mit der Konsole herumzuschlagen – es gibt eine vollkommen nutzbare Weboberfläche.

Skript-Annotation per LLM

Zuerst gibt man das Buch in das Programm ein. Alexandria verbindet sich mit Ihrem lokalen LLM (via Ollama oder LM Studio) oder mit der OpenAI-API. Das neuronale Netz analysiert den Text und konvertiert ihn in eine JSON-Struktur. Es extrahiert Dialoge, identifiziert den Sprecher und – das Coolste – schreibt Stimm-Anweisungen. Zum Beispiel: "Marcus sagt das mit bedrohlicher Selbstsicherheit, in einer tiefen, hinterhältigen Stimme."

Arbeit mit Stimmen

Nach der Annotation landet man im Stimm-Management-Bereich. Für jede gefundene Figur kann man einen von neun Presets wählen oder weiter gehen:

• Klonen: Laden Sie ein 10-Sekunden-Audiobeispiel hoch, und die Figur wird mit dieser Stimme sprechen.
• Voice Design: Sie können die Stimme einfach textlich beschreiben, zum Beispiel: "Eine warme Stimme einer älteren Frau mit leichtem Kratzen," und das neuronale Netz erstellt sie von Grund auf.
• LoRA-Training: Für diejenigen, die das perfekte Ergebnis wollen, gibt es die Möglichkeit, das Modell direkt in der Oberfläche auf einem bestimmten Datensatz zu optimieren.

Editor und Export

Vor der finalen Zusammenstellung können Sie jedes Segment einzeln anhören. Wenn das neuronale Netz bei der Intonation irgendwo einen Fehler gemacht hat, bearbeiten Sie einfach die Textanweisung und generieren dieses spezifische Stück neu. Die Ausgabe ist entweder eine einzelne MP3/M4B-Datei mit Kapiteln oder ein Projekt für Audacity, wo jede Stimme auf einer separaten Spur liegt. Das ist praktisch, wenn Sie Hintergrundmusik oder Effekte manuell hinzufügen möchten.

Die technische Seite

Das Projekt ist in Python geschrieben und erfordert recht leistungsstarke Hardware, wenn man Audio schnell generieren möchte.

• Minimum: 8 GB Videospeicher (VRAM). Das reicht für die Arbeit Zeile für Zeile.
• Empfohlen: 16 GB und mehr. Dann können Sie Stapelverarbeitung aktivieren, was den Prozess um das 3-6-fache beschleunigt.
• Optimierung: torch.compile wird unterstützt, was einen spürbaren Geschwindigkeitsschub auf NVIDIA- und AMD-Karten gibt (unter Linux).

Interessanterweise hat der Autor Pinokio-Support eingebaut – das ist ein Browser für KI-Anwendungen, der automatisch alle Abhängigkeiten, Umgebungen und Bibliotheken installiert. Für diejenigen, die sich nicht mit pip install und Versionskonflikten herumschlagen wollen, ist das ein Segen.

Praktischer Nutzen

Warum sollte ein Entwickler das brauchen? Neben dem offensichtlichen "Hörbuch aus Dokumentation machen" gibt es ein paar interessante Anwendungsfälle:

1. Stimm-Prototyping für Spiele: Man kann Dialoge schnell skizzieren und anhören, wie sie von verschiedenen Figuren gesprochen klingen, ohne in frühen Phasen Schauspieler zu engagieren.
2. Content-Erstellung: Wenn Sie einen Podcast oder YouTube-Kanal betreiben, hilft Alexandria dabei, qualitative Segmente mit verschiedenen Stimmen zu erstellen.
3. Automatisierung: Das Projekt hat eine REST-API. Sie können die Stimmgenerierung in Ihre Pipelines integrieren.

Lohnt es sich zu testen

Wenn Sie eine Grafikkarte auf dem Niveau einer RTX 3060 oder höher haben, dann definitiv ja. Alexandria ist eines der durchdachtesten Tools in seinem Bereich. Es "liest" nicht einfach Text – es versucht, den Kontext und die Emotionen des Werks zu verstehen.

Als Nachteil: Das Projekt ist ziemlich schwer. Bei der ersten Installation werden etwa 20 GB Daten heruntergeladen (Bibliotheken + Modellgewichte). Beachten Sie auch, dass ein gutes LLM für qualitative Textannotation nötig ist – kleine Modelle mit 3-7 Milliarden Parametern könnten bei den Figuren durcheinanderkommen.

Insgesamt ist es ein großartiges Beispiel dafür, wie neuronale Netze sich von lustigen Spielereien zu genuin nützlichen Werkzeugen für alltägliche Aufgaben entwickeln. Sie können es lokal ausprobieren oder über Google Colab, wenn Sie nicht genug eigene Hardware haben.