abogen: EPUBs und PDFs per Kokoro-82M in Hörbuch und Untertitel verwandeln
Generate audiobooks from EPUBs, PDFs and text with synchronized captions.
Auf einen Blick
- Was ist das?
- abogen ist ein Python-Werkzeug, das ePub-, PDF-, Text-, Markdown- und Untertiteldateien über das Modell Kokoro-82M in Audio plus zeitgleiche Untertitel umsetzt. Die Installation ist plattformabhängig und der GPU-Pfad ist derzeit der einzige, der wirklich rund läuft; auf AMD unter Windows geht ohne Umweg über Linux gar nichts.
- Für wen ist es gedacht?
- Wer englischsprachige oder gemischtsprachige ePub- und PDF-Bestände in Audio mit Untertiteln überführen will und eine NVIDIA-GPU oder einen Apple-Silicon-Rechner besitzt, findet in abogen ein schlankes Werkzeug mit MIT-Lizenz. Wer AMD-Hardware unter Windows einsetzt, mit Intel-Macs arbeitet oder auf sehr breite Sprachenabdeckung angewiesen ist, sollte vorher die Kompatibilitätsgrenzen prüfen und eher zu Piper oder Coqui TTS greifen.
- Darf ich es kommerziell nutzen?
- Ja. MIT ist eine freizügige Lizenz: Sie dürfen darauf aufbauende Software nutzen, verändern und verkaufen, solange Sie die Urheberrechts- und Lizenzhinweise beibehalten.
- Wird es noch gepflegt?
- Ja. Die letzten Commits kamen vor 8 Tagen.
- In welcher Sprache ist es geschrieben?
- Hauptsächlich Python, laut der Sprachstatistik von GitHub.
Die Antworten beruhen auf den GitHub-Daten des Projekts (zuletzt abgeglichen am 15. September 2026) und auf unserer Analyse. Sie sind keine Rechtsberatung.
TIEFGEHENDE OPEN-SOURCE-ANALYSE
Welches Problem abogen löst und für wen es gedacht ist
Aus einem ePub oder einem PDF ein hörbares Buch zu machen, ist mit klassischen TTS-Werkzeugen mühsam: Das Modell gibt eine Tonspur aus, aber die Zuordnung von Textstelle zu Zeitmarke fehlt. Wer daraus ein Video für YouTube, Instagram oder TikTok bauen will, muss die Untertitel anschließend von Hand synchronisieren. Genau an dieser Stelle setzt abogen an. Das Projekt erzeugt nach eigener Beschreibung Audio und dazu passende Untertitel, sodass beide Spuren aus demselben Lauf stammen. Die Zielgruppe sind dem README zufolge Content-Ersteller, die Voiceover für soziale Plattformen brauchen, sowie alle, die aus vorhandenen E-Books Hörfassungen bauen wollen.
Die Topics des Repositories nennen unter anderem audiobook, epub-converter, narrator und subtitles. Das beschreibt den Umfang recht genau: abogen ist kein Redaktionssystem und keine Hörbuch-Plattform, sondern ein Konverter mit grafischer Oberfläche. Die Screenshots im README zeigen zwei Fensterzustände, einen mit Dateiauswahl und einen im Verarbeitungszustand. Das legt nahe, dass die Bedienung über eine Desktop-Oberfläche läuft und nicht über eine Kommandozeile. Wer eine Pipeline für tausende Dateien bauen will, muss diesen Punkt vorher klären, weil das README dazu nichts aussagt.
Kokoro-82M als Sprachmodell und die Rolle von espeak-ng
abogen bringt kein eigenes Sprachmodell mit. Es setzt auf Kokoro-82M von hexgrad, ein TTS-Modell mit 82 Millionen Parametern, das über Hugging Face bezogen wird. Die Modellgröße ist der eigentliche Grund, warum das Werkzeug auf gewöhnlicher Hardware überhaupt sinnvoll läuft: Ein Modell dieser Größenordnung passt auf Consumer-GPUs und lässt sich auch auf der CPU betreiben, wenn auch langsamer. Das README verweist an mehreren Stellen auf die Kokoro-Projektseite, was die Abhängigkeit bestätigt.
Auffällig ist die zweite Abhängigkeit: espeak-ng. Sie taucht in jeder Installationsanleitung auf, unter Windows als MSI-Paket, unter macOS über brew, unter Linux über apt, pacman oder dnf. espeak-ng ist ein eigenständiges Sprachsynthese-System, das hier offenbar für die Phonemisierung zuständig ist, also für die Umwandlung von geschriebenem Text in Lautschrift, bevor Kokoro daraus Audio erzeugt. Wer espeak-ng nicht installiert, bekommt abogen nicht ans Laufen. Das ist eine harte Installationhürde, die viele Python-Pakete nicht haben.
Das README macht außerdem eine Leistungsaussage über die Demo: Sie sei in fünf Sekunden erzeugt worden und habe etwa eine Minute Audio mit synchronen Untertiteln ergeben. Diese Zahl stammt aus der Projektdokumentation und ist nicht unabhängig überprüft. Sie sagt auch nichts über die Hardware aus, auf der sie entstanden ist, weshalb sie als Planungsgrundlage taugt nur bedingt.
Installation: uv, pip und die CUDA-Varianten
Der empfohlene Weg führt über uv. Für NVIDIA-Karten mit CUDA 12.8 lautet der Befehl:
uv tool install --python 3.12 abogen[cuda] --extra-index-url https://download.pytorch.org/whl/cu128 --index-strategy unsafe-best-match
Für ältere Treiber gibt es das Extra cuda126 mit dem Index https://download.pytorch.org/whl/cu126, für neuere das Extra cuda130 mit https://download.pytorch.org/whl/cu130. Ohne GPU oder mit AMD-Karte unter Linux genügt uv tool install --python 3.12 abogen. Der Parameter --index-strategy unsafe-best-match ist nötig, weil PyTorch-Wheels und PyPI-Pakete aus verschiedenen Quellen kommen und uv sonst nicht auflösen kann, welche Version Vorrang hat.
Unter macOS unterscheidet das README zwischen Silicon und Intel. Für M1 und neuer wird Python 3.13 verwendet, für Intel Python 3.12, und in beiden Fällen wird Kokoro direkt aus dem Git-Repository nachinstalliert:
uv tool install --python 3.13 abogen --with "kokoro @ git+https://github.com/hexgrad/kokoro.git,numpy<2"
Die Versionsbindung numpy<2 ist bemerkenswert. Sie deutet darauf hin, dass Kokoro in der Entwicklungsfassung noch nicht mit NumPy 2 kompatibel ist. Wer in derselben Umgebung andere Pakete braucht, die NumPy 2 voraussetzen, bekommt hier einen Konflikt.
Der pip-Weg ist ausführlicher dokumentiert und zeigt einen weiteren Stolperstein. Für NVIDIA-Karten wird explizit torch==2.8.0+cu128 mit torchvision==0.23.0+cu128 und torchaudio==2.8.0 aus dem PyTorch-Index installiert, mit dem Hinweis auf ein offenes PyTorch-Issue (Nummer 166628), das eine neuere Version derzeit blockiert. Für AMD unter Windows gibt es keine Anleitung, nur den Satz, dass ROCm dort nicht verfügbar sei und man Linux verwenden solle.
Wo abogen an Grenzen stößt
Die deutlichste Einschränkung betrifft AMD unter Windows. Das README formuliert sie zweimal, einmal im uv-Abschnitt und einmal im pip-Abschnitt, jeweils mit dem Hinweis, dass ROCm auf Windows nicht verfügbar ist. Wer eine Radeon-Karte besitzt und Windows nicht verlassen will, kann abogen zwar installieren, aber nur auf der CPU rechnen lassen. Für ein ganzes Buch ist das ein erheblicher Zeitunterschied, ohne dass das README konkrete Laufzeiten nennt.
Ein zweiter Punkt ist die Frage der Sprachabdeckung. Kokoro-82M ist ein einzelnes Modell mit einer festen Stimmenliste, und das README geht auf unterstützte Sprachen nicht ein. Es bewirbt das Werkzeug mit dem Satz, es erzeuge in Sekunden hochwertiges Audio aus ePub, PDF, Text, Markdown oder Untertiteldateien, sagt aber nichts darüber, wie gut das für deutschsprachige Texte funktioniert. Wer deutschsprachige Hörbücher produzieren will, sollte das an einem Kapitel testen, bevor er eine Bibliothek konvertiert.
Drittens die Frage der Automatisierung. Die Screenshots zeigen eine grafische Oberfläche, und die Installationsanleitung beschreibt ein Kommandozeilenwerkzeug namens abogen, das nach der Installation als Kommando verfügbar sein dürfte. Ob es einen Batch-Modus, Konfigurationsdateien oder eine API gibt, lässt sich aus dem vorliegenden Material nicht ableiten. Wer abogen in eine bestehende Verarbeitungskette einbinden will, muss das im Quelltext prüfen.
Piper und Coqui TTS als Alternativen mit anderem Ansatz
Der naheliegendste Vergleich ist Piper, ein TTS-System, das auf ONNX-Runtime setzt und dessen Modelle auf wenige Megabyte pro Stimme kommen. Der Unterschied liegt weniger im Ergebnis als im Betrieb: Piper ist darauf ausgelegt, als Bibliothek oder Kommandozeilenwerkzeug in Skripten zu laufen, mit einer Stimme pro Sprache und ohne grafische Oberfläche. abogen liefert dagegen einen kompletten Arbeitsablauf von der Datei bis zum fertigen Untertitel. Wer tausende Dateien unbeaufsichtigt verarbeiten will, ist bei Piper näher an der Lösung; wer ein einzelnes Buch in Audio plus Untertitel verwandeln will, spart mit abogen den Klebstoff dazwischen.
Coqui TTS verfolgt einen anderen Weg. Es ist ein Trainings- und Inferenz-Framework, mit dem sich eigene Stimmen auf eigenen Daten anpassen lassen. Wer eine bestimmte Sprecherstimme braucht oder eine Sprache, die Kokoro nicht abdeckt, muss diesen Weg gehen. Der Preis ist ein deutlich höherer Einrichtungsaufwand und der Bedarf an Trainingsdaten. abogen bietet nichts davon, ist dafür aber in wenigen Minuten installiert.
Der dritte Unterschied betrifft die Untertitel. Piper und Coqui erzeugen Audio; die Zeitmarken muss man separat gewinnen, etwa über ein Alignment-Werkzeug. abogen behandelt Audio und Untertitel als ein Ergebnis. Das ist der eigentliche Grund, warum das Projekt existiert, und der Punkt, an dem die Alternativen am meisten Arbeit übrig lassen.
Wartung, Lizenz und Upgrade-Kosten
abogen steht unter MIT-Lizenz. Das erlaubt kommerzielle Nutzung, Veränderung und Weitergabe, solange Lizenz- und Urheberrechtshinweis erhalten bleiben. Diese Angabe bezieht sich nur auf abogen selbst. Kokoro-82M und espeak-ng sind eigenständige Projekte mit eigenen Bedingungen, und wer die erzeugten Audiodateien veröffentlicht, sollte die Lizenz des Modells und die Lizenz der zugrunde liegenden Textvorlage getrennt prüfen. Eine Rechtsberatung ist das hier nicht.
Die Release-Historie zeigt drei Veröffentlichungen zwischen November 2025 und Februar 2026, mit v1.3.1 als jüngster. Der letzte Push ins Repository datiert auf September 2026, also nach dem letzten Release. Das Muster deutet auf eine aktive, aber nicht hektische Entwicklung hin. Für Anwender heißt das: Die Abhängigkeiten von PyTorch und Kokoro bewegen sich schneller als abogen selbst, und genau dort entstehen die Upgrade-Kosten.
Konkret sichtbar wird das an zwei Stellen im README. Die Bindung torch==2.8.0+cu128 verweist auf ein offenes PyTorch-Issue, das heißt, abogen kann erst auf eine neuere PyTorch-Version wechseln, wenn dieses Problem gelöst ist. Die Bindung numpy<2 auf dem Mac hat dieselbe Form. Wer abogen in einer Umgebung mit anderen Paketen betreibt, die NumPy 2 oder ein neueres PyTorch verlangen, bekommt einen Konflikt, den er nicht innerhalb von abogen lösen kann.
Redaktionelles Fazit
Wer englischsprachige oder gemischtsprachige ePub- und PDF-Bestände in Audio mit Untertiteln überführen will und eine NVIDIA-GPU oder einen Apple-Silicon-Rechner besitzt, findet in abogen ein schlankes Werkzeug mit MIT-Lizenz. Wer AMD-Hardware unter Windows einsetzt, mit Intel-Macs arbeitet oder auf sehr breite Sprachenabdeckung angewiesen ist, sollte vorher die Kompatibilitätsgrenzen prüfen und eher zu Piper oder Coqui TTS greifen. Vor dem ersten Massenlauf lohnt ein Test mit einem einzelnen Kapitel, um Speicherbedarf, Segmentlängen und die tatsächliche Qualität der Stimme auf dem eigenen Material zu sehen.
Community-Notizen