InkFlow

Transforme un EPUB en livre audio, 100 % en local sur Mac (Apple Silicon / MLX), avec des modèles open-source. Sortie : 1 dossier par livre, 1 MP3 par chapitre (tags ID3 + cover), au format calqué sur un audiobook classique.

• Analyse de texte : Gemma via mlx-lm (segmentation narration/dialogue, attribution des locuteurs, extraction du casting, prononciations).
• Synthèse vocale : backend pluggable —
  • Kokoro : rapide, voix préréglées → previews / mono-narrateur.
  • Qwen3-TTS : qualité + clonage par audio de référence → rendu final, casting par personnage.
• Langue : optimisé français (puis multilingue).

Pré-requis

• macOS Apple Silicon (arm64), Python ≥ 3.11
• ffmpeg et espeak-ng :

  brew install ffmpeg espeak-ng
  

Installation

python3.13 -m venv .venv
source .venv/bin/activate
pip install -e backend            # installe inkflow + dépendances
python backend/scripts/setup_models.py   # vérifie l'env + télécharge les modèles MLX

Kokoro en français nécessite espeak-ng ; InkFlow localise automatiquement libespeak-ng.dylib (sinon, exporter PHONEMIZER_ESPEAK_LIBRARY).

Utilisation (CLI)

# 1. Parser l'EPUB -> data/<slug>/book.json + chapters/chNN.json
inkflow parse "samples/Colère de Tiamat, La - James S.A. Corey.epub"

# 2. Analyser (Gemma) -> analysis/chNN.json + cast.json
inkflow analyze la-colere-de-tiamat --chapter 5      # un chapitre
inkflow analyze la-colere-de-tiamat                  # tous les chapitres

# 3. Synthétiser un chapitre -> output/<livre>/NN-....mp3
inkflow render la-colere-de-tiamat 5 --backend kokoro          # rapide
inkflow render la-colere-de-tiamat 5 --backend qwen3 --no-mono # qualité + multi-voix (M3)

# Infos
inkflow info la-colere-de-tiamat

(Sans installation -e, lancer depuis backend/ via python -m inkflow.cli ….)

Interface web

# 1. Build du frontend (une fois)
cd frontend && npm install && npm run build && cd ..

# 2. Lancer l'app (API + UI servie sur le même port)
inkflow serve            # http://127.0.0.1:8000

L'UI permet : import EPUB par glisser-déposer, suivi temps réel des étapes (WebSocket), édition du casting (personnage → voix, avec preview), édition du dictionnaire de prononciation, choix du moteur (Kokoro/Qwen3) et rendu des chapitres avec lecteur audio + téléchargement.

Pour le développement frontend avec rechargement à chaud :

inkflow serve            # backend sur :8000
cd frontend && npm run dev   # UI sur :5173 (proxy API/WS vers :8000)

Architecture

backend/inkflow/
  epub/parser.py        EPUB -> book.json + texte par chapitre
  analysis/gemma.py     wrapper mlx-lm (Gemma)
  analysis/segmenter.py narration/dialogue + locuteurs + casting
  analysis/pronunciation.py
  tts/base.py           interface TTSBackend + VoiceSpec
  tts/kokoro.py tts/qwen3.py tts/factory.py
  audio/postprocess.py  concat + normalisation + MP3 (ffmpeg) + cover
  pipeline/render.py     (segments + voix) -> MP3
  store/artifacts.py    persistance JSON (reprenable)
data/<slug>/            artefacts intermédiaires (json, wav, cover)
output/<livre>/         MP3 finaux (1 par chapitre)
voicebank/              clips de référence pour le clonage (M3)

État d'avancement

• M1 — Parsing EPUB, analyse Gemma (segments + casting), CLI.
• M2 — TTS bout-en-bout (Kokoro/Qwen3), mono-narrateur → MP3 taggé + cover.
• M3 — Multi-voix : voice bank + auto-casting personnage → voix (clonage Qwen3).
• M4 — Interface web (FastAPI + WebSocket + React) : suivi, éditeurs casting/prononciation, previews.
• M5 — État reprenable (réconciliation avec les artefacts), run par lots via UI/CLI.

Note sur les moteurs

• Kokoro : ~30 s/chapitre, voix distinctes par timbre (rendu rapide, brouillons).
• Qwen3-TTS : clonage des voix de la banque par personnage, qualité supérieure, nettement plus lent — réservé au rendu final. Tout rendu est repris chapitre par chapitre (relancer ne refait pas les MP3 déjà produits).