abogen: EPUBとPDFをKokoro-82Mで音声化し、字幕まで同時に書き出す
Generate audiobooks from EPUBs, PDFs and text with synchronized captions.
ひと目でわかる
- これは何？
- abogenはEPUB、PDF、テキスト、Markdown、字幕ファイルを読み込み、Kokoro-82Mで音声と同期字幕を生成するPythonツール。導入の分岐点はespeak-ngとGPUバックエンドの選び方にある。
- 誰に向いている？
- 読み上げ原稿と字幕を同時に必要とし、Python環境とespeak-ngを用意できる人にはabogenは合理的な選択だ。逆に、クラウドTTSの声質や話者数を求める場合、espeak-ngを入れたくない環境、AMD GPUをWindowsで使いたい場合は向かない。
- 商用利用できる？
- できます。MIT は寛容なライセンスで、著作権表示とライセンス表示を残せば、使用・改変・販売が可能です。
- 今もメンテナンスされている？
- されています。最後のコミットは 8 日前です。
- 何の言語で書かれている？
- 主に Python です（GitHub の言語統計による）。
回答はプロジェクトの GitHub データ（最終同期：2026年9月15日）と当サイトの分析に基づくもので、法的助言ではありません。
オープンソース詳細解説
abogenが埋めるのは「読み上げ」と「字幕」の間の隙間
電子書籍を音声化する道具は複数あるが、abogenが狙うのは音声ファイルだけでなく、それに対応する字幕を同時に出す点にある。READMEのデモ説明では、約1分の音声と完全に同期した字幕が5秒で生成されたと書かれている。この数字は作者の環境での一例であり、読者のマシンで同じ結果になる保証はない。
対象読者は、EPUBやPDFで持っている原稿を音声コンテンツに変換したい個人だ。用途としてREADMEが挙げるのはオーディオブック、Instagram、YouTube、TikTok向けのボイスオーバー。つまり配信プラットフォームに音声と字幕をセットで上げる作業を想定している。入力はEPUB、PDF、テキスト、Markdown、字幕ファイル。出力は音声と、それに合った字幕。この対の生成を1回の処理にまとめたことがabogenの位置づけである。
音声エンジンはKokoro-82M、依存の重さはそこに集まる
abogenは音声合成そのものを自前で持たず、Kokoro-82Mをバックエンドに使う。READMEはKokoro-82MのHugging Faceページへリンクし、モデル名をそのまま書いている。つまりabogenの役割は、入力ファイルの解析、テキストの整形、Kokoro-82Mへの受け渡し、そして音声と字幕のタイミング合わせだ。
この構成の帰結として、インストールの難しさはabogen本体ではなくPyTorchとKokoroの側に寄る。実際、NVIDIA GPU向けのpip手順ではPyTorch 2.8.0を明示的に固定し、pytorch/pytorch#166628が直るまでこのバージョンを使うと注記している。macOSではKokoroの開発版をgitから入れる手順があり、Silicon MacではMPS対応がその開発版に含まれるためと説明されている。abogenは薄いオーケストレーション層で、その下のランタイムが環境ごとに違う。だからOS別の手順がこれだけ分岐する。
espeak-ngは全プラットフォーム共通の前提
Windows、macOS、Linuxのどの手順を見ても、最初にespeak-ngを入れる。Windowsはespeak-ngの最新リリースから.msiをダウンロードして実行、macOSはbrew install espeak-ng、Ubuntu/Debianはsudo apt install espeak-ng、Archはsudo pacman -S espeak-ng、Fedoraはsudo dnf install espeak-ng。
注目すべきは、Windowsのインストールスクリプトを使う場合でもespeak-ngだけは別途必要だとREADMEが明記している点だ。WINDOWS_INSTALL.batはPythonやCUDAを含む依存を自己完結環境に自動で入れるが、espeak-ngはその対象外である。Kokoro-82Mが音素化や発音の補助にespeak-ngを必要とするためで、ここを飛ばすと音声化そのものが動かない。abogenを試す前に確保しておくべき最初の前提条件はこれだ。
OSとGPUで変わるインストール手順
推奨はuv経由。NVIDIA GPUはCUDAのバージョンで3通りに分かれる。uv tool install --python 3.12 abogen[cuda] --extra-index-url https://download.pytorch.org/whl/cu128 --index-strategy unsafe-best-match がCUDA 12.8向け、[cuda126]が12.6、[cuda130]が13.0。ドライバの世代に合わせて選ぶ。
AMD GPUまたはGPUなしは uv tool install --python 3.12 abogen。ただしAMDでGPU加速を使うにはLinuxが必要で、WindowsではROCmが提供されていないためと説明されている。LinuxのAMDはabogen[rocm]とnightly/rocm6.4のインデックスを指定する。
macOSはbrew install espeak-ngの後、Silicon Macが --python 3.13、Intel Macが --python 3.12。どちらも --with "kokoro @ git+https://github.com/hexgrad/kokoro.git,numpy<2" を付ける。numpyを2未満に固定する指定が入っている点は、そのまま従うべき制約として読める。pipでの代替手順も全OS分用意されているが、NVIDIA向けにはPyTorchのバージョン固定が必要になる。
Windowsのバッチとuvは何を隠しているか
WINDOWS_INSTALL.batはリポジトリのZIPを展開してダブルクリックするだけで使える。READMEはPythonを別途入れる必要がないと書いており、CUDAを含む依存を自己完結環境に置く。Pythonに不慣れな読者にとってはこれが最も摩擦の少ない経路だ。
一方でuvやpipの手順を読むと、この自動化が何をしているかが見える。PyTorchのバージョン固定、CUDAインデックスの指定、--index-strategy unsafe-best-matchのようなフラグ。これらは依存解決の衝突を避けるための指定であり、環境によっては自分で調整する必要が出る。バッチは調整の余地を隠す代わりに、想定外のGPUやドライバでは原因が見えにくくなる。動けば楽、動かないと切り分けが難しい。この非対称性は理解しておいたほうがよい。
向かないケース: 声色の選択肢とROCmの壁
第一の制約は話者だ。abogenの音声はKokoro-82Mに依存する。クラウドTTSのように多数の話者や感情表現を切り替える用途を想定しているなら、選択肢はKokoro-82Mが持つ範囲に限られる。READMEはKokoro-82Mのモデルページを示すだけで、話者数や言語別の品質には触れていない。自分の言語で聞ける声が出るかは、導入前にKokoro-82M側で確かめるべき事項であり、abogenのREADMEからは判断できない。
第二の制約はAMD GPUとWindowsの組み合わせだ。READMEはROCmがWindowsで利用できないため、AMD GPUでGPU加速を使うならLinuxに移れと明記している。WindowsでAMD GPUを使う構成は事実上CPU処理になる。長い書籍を扱う場合、この差は処理時間に直結する。
第三に、espeak-ngをシステムに入れられない環境ではabogenは動かない。コンテナや制限された実行環境で使いたい場合は、espeak-ngをイメージに含める作業が先に必要になる。
代替としてのPiperと、設計思想の違い
同じくローカルで動くTTSとしてPiperが挙げられる。Piperは軽量なONNXモデルを前提に、CPUでも実用的な速度を出しやすい方向で設計されている。abogenがKokoro-82Mというパラメータ数82MのモデルをPyTorch経由で動かし、CUDAやROCm、MPSといったGPUバックエンドを前提に組み立てられているのとは力点が違う。
もう一つの違いは入力の扱いだ。abogenはEPUB、PDF、Markdown、字幕ファイルを読み、章立てや文の区切りを解釈して読み上げ単位に変換し、その単位に合わせて字幕を書き出す。Piperは基本的にテキストを渡して音声を得る部品であり、電子書籍の構造解析や字幕の同期は利用側が用意する。abogenは前処理と後処理まで含めたアプリケーション、Piperはエンジンに近い。書籍を丸ごと音声化して字幕も欲しいならabogen、自分のパイプラインにTTSを差し込みたいならPiperのほうが素直に収まる。
MITライセンスとメンテナンスの見取り図
abogen本体はMITライセンスで、リポジトリはアーカイブされていない。直近のリリースはv1.3.1（2026年2月6日）、その前にv1.2.5（2025年12月10日）、v1.2.4（2025年11月28日）が並ぶ。約2か月間隔で更新が続いており、少なくとも停滞しているわけではない。
ただしMITが及ぶのはabogenのコードに対してであり、Kokoro-82Mのモデル重み、PyTorch、espeak-ngはそれぞれ別のライセンス条件を持つ。商用配信を想定するなら、abogenのMITを確認するだけでは足りず、依存する各コンポーネントの条件を自分で確認する必要がある。ここは法的助言ではなく、確認すべき範囲の指摘にとどめる。
アップグレードコストは依存の側に偏る。PyTorchのバージョン固定が解除されるか、Kokoroの開発版が安定版に取り込まれるかで、手順が変わる可能性がある。pip手順に残る「このissueが直るまで」という注記は、その時点で手順を見直す必要があることを示している。
編集部の結論
読み上げ原稿と字幕を同時に必要とし、Python環境とespeak-ngを用意できる人にはabogenは合理的な選択だ。逆に、クラウドTTSの声質や話者数を求める場合、espeak-ngを入れたくない環境、AMD GPUをWindowsで使いたい場合は向かない。導入前に確認すべきは3点。espeak-ngが入っているか、GPUに合ったextra（cuda/cuda126/cuda130/rocm）を選べるか、そして自分の言語の読み上げ品質がKokoro-82Mで許容範囲かどうか。この3点を満たせば、MITライセンスの下でローカルに音声と字幕のパイプラインを置ける。
コミュニティノート