Agent Skills
返回列表
文档转语音听书

文档转语音听书

设计多媒体 更新于 2026.08.29

将以下提示词粘贴到你的 AI 对话框中：

请根据 https://skillhub.cn/install/skillhub.md，安装 @user_cac68f26/pdf-to-speech。

技能介绍

要解决什么问题

技术文档、电子书或汇报材料常以 PDF、DOCX 或 TXT 分发，但长时间盯屏阅读成本高；若希望按章节逐段收听，手工复制到 TTS 工具既慢，又容易丢失结构。扫描版 PDF 不在本技能范围内（需先 OCR），可编辑文本类文档才是主场景。

工作方式

完整链路是：提取文本 → 检测章节 → 合成语音 → 输出 MP3。

  • 提取文本：PDF 优先用 pdfplumber，失败时回退 PyPDF2；DOCX 用 python-docx。长文会在合成阶段自动分段，不必事先手工切分。
  • 章节检测：识别「第一章」「第1节」、Chapter 1:、Part 1. 以及 1.、1、 等常见标题样式；格式不规范时可传入自定义 chapter_patterns 正则。
  • 语音合成：基于 Edge TTS；单段超过约 2500 字符 会按段落切分后分别合成，再二进制拼接为单个 MP3（不依赖 ffmpeg）。
  • 入口：Python 调用或 pdf_to_speech.py CLI；语音列表见 references/voices.md，听书常用 zh-CN-XiaoxiaoNeural，公文类可用 zh-CN-YunxiNeural。

边界与注意

| 情况 | 处理 |
|------|------|
| 章节标题分两行或无编号 | 自定义章节正则 |
| 环境有 600s 合成超时 | 子进程或 CLI 单独跑脚本 |
| 扫描版 PDF | 需外部 OCR，本技能不含 |
| 全书过大 | 按章输出；章内仍自动 2500 字分段 |

文件名中的 \ / : * ? " < > | 等字符会被脚本过滤，避免写入失败。

使用场景

  • 管理或专业类 PDF 已按「第 N 章」排版，需要在通勤路上按章收听而不是整本通读屏幕。
  • 内网 DOCX 制度或培训稿要转成 MP3 播报，外勤或产线同事用耳机听完同一套材料。
  • 百页级 PDF/DOCX 导出稿需自动识别 Chapter/第几节 标题，每章单独合成一个 MP3 文件。
  • 长篇 TXT 笔记里只有「1.」「第一章」等标题，希望一键跑通提取、分段与 Edge TTS 合成。

适合人员

  • 医院质改或运营同事，常接触《精益医院》类多章 PDF，想把全书按章合成 MP3 在路上听。
  • 企业内训负责人，要把 Word 培训稿转成男声/女声 MP3，给无法久坐看屏的外勤同事播放。
  • 需要复核长篇汇报 PDF 的审核人员，眼睛疲劳时希望按章节听读核对表述是否一致。
  • 在受限环境里跑批量的维护者，合成易触达 600 秒上限，需用 CLI 或子进程单独跑 `pdf_to_speech.py`。