一个名为 PDF2Audio 的新开源工具让用户能够从复杂文档和数据中创建播客、讲座和摘要。这个工具由麻省理工学院的马克斯·J·比勒（Markus J. Buehler）带领的研究团队开发，旨在作为谷歌 NotebookLM 中“音频概述”播客功能的替代品。PDF2Audio 旨在提供灵活性和可定制性，用户可以从复杂文档中创建可控的播客、讲座、讨论和摘要。它支持多种模型，包括 OpenAI 的 GPT-4 以及其他开源选项。用户可以上传多个 PDF 文件，选择提示模板，自定义文本生成和音频模型，还可以选择不同的声音选项。简单来说，这个工具允许用户灵活上传文件并定制音频内容，同时提供反馈以改进生成的文本。01 技术原理—这个应用程序支持多种语言和高级编辑功能。用户可以从任何源语言生成法语、德语、西班牙语、葡萄牙语、印地语、中文等内容。编辑功能让用户可以对记录进行注释、添加评论，还能要求模型进行特定的修改，比如改变语气或翻译成其他语言。PDF2Audio 主要参考了两个项目，promptic和PDF to Podcast。
promptic 是一个轻量级的、基于装饰器的 Python 库，旨在简化与大型语言模型（LLMs）的互动，使用 litellm。通过 promptic，你可以轻松创建提示、处理输入参数，并以结构化的方式接收 LLM 的输出，只需几行代码。PDF to Podcast 提供了将任何 PDF 文档转换为播客节目的工具！这个工具使用 OpenAI 的文本转语音模型和 Google Gemini，处理 PDF 内容，生成适合音频播客的自然对话，并输出为 MP3 文件。
PDF2Audio是在promptic和PDF to Podcast的技术上进一步做了优化，做了统一接口以及其他设置。
右侧为选择相应的操作提供的模板描述，例如：总结、播客和讨论。02 部署使用—
下载项目代码：
创建虚拟环境并安装相应依赖：
输入对应的OpenAIKey或者本地ollama均可，然后启动并运行服务：
http://127.0.0.1:7860，打开浏览器就可以进入服务web页面。上传一个或多个 PDF 文件，选择所需的说明模板；如果需要自定义说明，单击“生成音频”以创建您的音频内容：
暂无评论内容