Uzun belgelerin ve kitapların seslendirilmesi genellikle API maliyeti yüksek bulut hizmetlerine, devasa GPU altyapılarına veya manuel ses üretim süreçlerine bağımlıdır.
Geliştirdiğim Local Audiobook Pipeline projesi, bu bağımlılığı ortadan kaldırmak için tasarlandı. Tüketici sınıfı donanımlarda çalışan, tekrarlanabilir, kesintiye uğradığında veri kaybı yaşatmayan (resumable) ve açık kaynaklı araçlar kullanan tamamen yerel bir sistem inşa ettim.
💻 Kaynak Kod ve Repozitörü: Projenin tüm kodlarına, detaylı yapılandırma ayarlarına ve güncel sürümlerine GitHub repomdan (vyscnktn/local-audiobook-pipeline) ulaşabilir, yıldızlayarak destek olabilirsiniz.
Neden Böyle Bir Sisteme İhtiyaç Var?
Sadece kısa bir metni sese dönüştürmek kolaydır. Ancak gerçek bir EPUB dosyasından tam bir sesli kitap üretmek karmaşık bir sistem mühendisliği problemidir:
- Veri Kirliliği: EPUB dosyaları; kapaklar, ön sayfalar, bozuk XHTML etiketleri ve seslendirmeyi bozan dipnotlar içerir.
- Donanım Limitleri: Uzun paragrafları tek seferde TTS modeline göndermek, tüketici GPU’larında VRAM’in (Video RAM) dolup çökmesine neden olur.
- Hata Toleransı: 5 saatlik bir render işleminin 4. saatinde sistem çökerse, tüm sürecin baştan başlamaması, sadece kalınan yerden devam etmesi gerekir.
Bu proje, “kara kutu” bir dönüştürücü olmak yerine, her adımı izlenebilir (manifest-driven) bir ardışık düzen (pipeline) kurarak bu sorunları çözüyor.
Sistem Mimarisi ve İş Akışı
Sistem, kırılgan olan “tek komutla her şeyi yap” mantığından kaçınır. İş akışı, her biri bağımsız olan ve arıza durumunda yeniden başlatılabilen şu 7 adıma bölünmüştür:
- Ingestion (İçeri Aktarma): EPUB içindeki XHTML dosyaları ve meta veriler ayrıştırılır.
- Cleanup (Temizleme): XHTML etiketleri, kitap yapısını (başlıklar, paragraflar) koruyarak saf metne (JSONL) dönüştürülür.
- Manifest Generation: Temizlenen kitaptan bölüm bazlı (chapter-level) manifestolar çıkarılır.
- Job Generation: Uzun metinler, bellek sınırlarını aşmayacak şekilde GPU-güvenli kısa TTS işlerine (jobs) bölünür.
- Synthesis (Sentez): Chatterbox Multilingual TTS kullanılarak işlerden
.wavdosyaları üretilir. - Assembly (Birleştirme): Kısa ses dosyaları, ayarlanabilir çapraz geçişler (crossfade) ve duraklamalarla tek bir bölüm dosyasına birleştirilir.
- QA (Kalite Kontrol): Tüm işlemlerin sonucunda başarı/hata oranını gösteren makine okunabilir bir rapor üretilir.
Donanım Profili ve VRAM Optimizasyonu
Bu ardışık düzen, özellikle kısıtlı kaynaklara sahip yerel donanımlarda çalışacak şekilde optimize edilmiştir. Geliştirme ve doğrulama testleri şu profilde yapılmıştır:
- GPU: NVIDIA GeForce RTX 4050 Laptop GPU
- VRAM: 6 GB
- Runtime: Python + PyTorch + CUDA
- TTS Motoru: Chatterbox Multilingual TTS
Muhafazakar metin parçalama stratejisi (conservative chunking) sayesinde, sınırlı belleğe sahip sistemlerde dahi “Out of Memory” (OOM) hatalarının önüne geçilir.
Adım Adım Kurulum ve Kullanım
Sistemi kendi bilgisayarınızda çalıştırmak için aşağıdaki adımları izleyebilirsiniz. Gerekli olan CUDA uyumlu PyTorch kurulumunu kendi işletim sisteminize göre yapmayı unutmayın.
1. Ortam Hazırlığı
python -m venv .venv-chatterbox
source .venv-chatterbox/bin/activate
pip install -r requirements.txt- Yapılandırma
Örnek ayar dosyasını kopyalayarak sistemi özelleştirin (Örn: konuşmacı referans dosyası ekleme):
cp config.example.yaml config.yaml- Kitabı İşleme ve Temizleme
Bir EPUB dosyasını sisteme dahil edip okumaya hazır, temizlenmiş metne dönüştürün:
# İçeri aktarma
python ingest_epub.py --book my-book --epub /path/to/my-book.epub
# Temizleme (Artifact ve HTML etiketlerinden arındırma)
python clean_epub.py --book my-book- Manifestoları ve Görevleri Oluşturma
Seslendirme görevlerini (GPU iş paketleri) oluşturun. Bu adım henüz ses üretmez, sadece stratejiyi belirler:
python build_book_manifests.py
python run_chatterbox_chapter.py --chapter-id <chapter-id> --rebuild-jobs --jobs-only- Render (Sentezleme)
Son olarak GPU çıkarımını başlatın ve bölümü oluşturun:
python run_chatterbox_chapter.py --chapter-id <chapter-id>Daha fazla detay, koda katkıda bulunma (contributing) kuralları ve LLM destekli yapılandırmalar (NVIDIA NIM) için GitHub Repository sayfasını ziyaret edebilirsiniz.