Convertir un PDF en audiolibro con edge-tts (voz española, por capítulos y sin notas al pie)
Escuchar este artículo
Me pasaron un PDF de 114 páginas (Lo que el Buddha enseñó, de Walpola Rahula) para hacerle una versión en audio. Terminé con 13 MP3 —uno por sección— y un archivo único de 5 horas y 17 minutos con voz femenina española. Acá está todo el proceso, incluido el script.
La gracia no fue tanto el TTS sino limpiar el texto antes: un PDF con notas al pie, números de página y marcadores tipo Buddha2 se escucha horrible si se lo tirás directo al sintetizador.
Qué usé
| herramienta | para qué |
|---|---|
pdftotext (poppler) |
sacar el texto del PDF |
| Python (stdlib) | limpiar notas al pie y separar capítulos |
edge-tts |
sintetizar con voz neuronal en español |
ffmpeg |
juntar los MP3 en un solo archivo |
espeak-ng estaba instalado y funciona offline, pero suena robótico. edge-tts usa las voces neuronales de Microsoft por WebSocket: no necesita API key, pero necesita internet.
1. Instalar
sudo pacman -S poppler ffmpeg python # o apt install poppler-utils ffmpeg python3
python3 -m venv tts-venv
tts-venv/bin/pip install edge-tts
tts-venv/bin/edge-tts --list-voices | grep -i es-
A mi me gustó es-ES-ElviraNeural. También están es-ES-AlvaroNeural (masculina) y las es-MX-*/es-AR-* si querés otro acento.
2. Extraer el texto
pdfinfo libro.pdf | grep -E "Pages|Encrypted"
pdftotext libro.pdf libro_raw.txt
Primero confirmé que el PDF tuviera capa de texto (pdftotext -f 1 -l 3 libro.pdf - | wc -c devolvió miles de caracteres). Si da casi nada, es un escaneo y hay que pasar ocrmypdf antes.
3. El problema de las notas al pie
El texto crudo sale así, al final de cada página:
... los derivados de estos elementos (upadaya-rupa)10. ...
10
. S. III (PTS), pág. 59
. Abhisamuc., pág. 4.
12
. S. III (PTS), pág 59.
Si se lo mandás tal cual, la voz dice «diez, punto, es es III, páginas cincuenta y nueve…». Las reglas de limpieza que apliqué fueron:
- Dentro de cada página (separadas por
\f), buscar un número suelto seguido de una línea que empieza con.y cortar ahí el resto de la página: ahí arrancan las notas. - Borrar los números sueltos que quedan (números de página).
- Sacar los marcadores pegados a las palabras:
Buddha2→Buddha, sin tocar números legítimos (los 16 años,pág. 62). - Unir las líneas partidas con espacios, porque el TTS respira raro en cada salto de línea.
Con eso desaparecen también los (N. del T.) y (N. del E.).
4. Separar por capítulos
Busqué los encabezados (Capítulo I, Capítulo II, …) y armé un archivo por tramo. Dos detalles del libro original:
- El último capítulo está mal etiquetado en el PDF: dice
Capítulo VIIsiendo el VIII. Contando los encabezados en orden (en vez de fiarse del rótulo) se arregla solo. - Los números romanos se normalizan a palabras: «Capítulo I» se escucha mejor como «Capítulo uno. La actitud mental buddhista».
También salté el ÍNDICE final: esa tabla de puntos y números de página en audio es insufrible.
5. El script completo
Adaptá los if line == ... de build_sections() a los encabezados de tu libro.
#!/usr/bin/env python3
import argparse
import asyncio
import os
import re
import edge_tts
VOICE = "es-ES-ElviraNeural"
ROMAN = {1: "uno", 2: "dos", 3: "tres", 4: "cuatro", 5: "cinco",
6: "seis", 7: "siete", 8: "ocho"}
TITLES = {
1: "La actitud mental buddhista",
2: "La primera Noble Verdad: Dukkha",
3: "La segunda Noble Verdad: Samudaya, el surgimiento de dukkha",
4: "La tercera Noble Verdad: Nirodha, la cesación de dukkha",
5: "La cuarta Noble Verdad: Magga, el Sendero",
6: "La doctrina de la inexistencia del alma: Anatta",
7: "Meditación o cultura mental: Bhavana",
8: "Lo que el Buddha enseñó y el mundo actual",
}
def clean_lines(raw):
result = []
for page in raw.split("\f"):
lines = page.split("\n")
cut = len(lines)
for i, line in enumerate(lines):
if not re.fullmatch(r"\d{1,3}", line.strip()):
continue
sig = [x.strip() for x in lines[i + 1:i + 5] if x.strip()]
if any(x.startswith(". ") for x in sig[:3]):
cut = i
break
for line in lines[:cut]:
s = line.strip()
if not s or re.fullmatch(r"\d{1,3}", s) or s.startswith(". "):
continue
result.append(s)
return result
def join_text(lines):
text = " ".join(lines)
text = re.sub(r"(?<=[A-Za-zÁÉÍÓÚÜÑáéíóúüñ)\]])\d{1,2}\b", "", text)
return re.sub(r"\s+", " ", text).strip()
def build_sections(lines):
marks = [(0, "01-Prologo", "Prólogo")]
nchap = 0
for i, line in enumerate(lines):
if i == 0:
continue
if line == "PREFACIO":
marks.append((i, "02-Prefacio", "Prefacio"))
elif line == "EL BUDDHA":
marks.append((i, "03-El-Buddha", "El Buddha"))
elif re.fullmatch(r"Capítulo (I|II|III|IV|V|VI|VII)", line):
nchap += 1
numeral = "VIII" if nchap == 8 else ROMAN[nchap]
marks.append((i, f"{nchap + 3:02d}-Capitulo-{numeral}",
f"Capítulo {ROMAN[nchap]}. {TITLES[nchap]}"))
elif line == "BREVE ANTOLOGÍA DE TEXTOS":
marks.append((i, "12-Breve-Antologia", "Breve antología de textos del canon Pali"))
elif line == "ABREVIATURAS":
marks.append((i, "13-Anexos", "Anexos: abreviaturas, bibliografía selecta y glosario"))
elif line == "ÍNDICE":
marks.append((i, None, None))
marks.sort()
sections = []
for n, (start, name, intro) in enumerate(marks):
if name is None:
break
end = marks[n + 1][0] if n + 1 < len(marks) else len(lines)
body = join_text(lines[start:end])
sections.append((name, intro + ". " + body if body else intro))
return sections
async def synthesize(text, path):
for attempt in range(1, 5):
try:
await edge_tts.Communicate(text, VOICE).save(path)
if os.path.getsize(path) > 1000:
return
raise RuntimeError("archivo vacío")
except Exception as exc:
print(f"intento {attempt} falló: {exc}")
await asyncio.sleep(2 * attempt)
raise RuntimeError(f"No se pudo sintetizar {path}")
async def run(sections, out, workers):
sem = asyncio.Semaphore(workers)
async def one(i, name, text):
path = os.path.join(out, name + ".mp3")
if os.path.exists(path) and os.path.getsize(path) > 1000:
print(f"[{i}/{len(sections)}] {name}: ya existe")
return
async with sem:
print(f"[{i}/{len(sections)}] {name}: generando", flush=True)
await synthesize(text, path)
print(f"[{i}/{len(sections)}] {name}: listo", flush=True)
await asyncio.gather(*(one(i, n, t) for i, (n, t) in enumerate(sections, 1)))
def main():
ap = argparse.ArgumentParser()
ap.add_argument("--raw", required=True)
ap.add_argument("--out", required=True)
ap.add_argument("--workers", type=int, default=6)
args = ap.parse_args()
os.makedirs(args.out, exist_ok=True)
lines = clean_lines(open(args.raw, encoding="utf-8").read())
sections = build_sections(lines)
print(f"Secciones: {len(sections)}")
for i, (name, text) in enumerate(sections, 1):
print(f"{i:2}. {name}: {len(text):,} caracteres")
asyncio.run(run(sections, args.out, args.workers))
if __name__ == "__main__":
main()
6. Generar el audio
tts-venv/bin/python pdf_a_audio.py --raw libro_raw.txt --out audio/ --workers 6
Communicate parte el texto en bloques de ~4096 bytes y los manda por una sola conexión por sección. Los reintentos importan: el servicio corta alguna conexión y sin el for attempt te perdés un capítulo entero.
Lo que más ayudó fue paralelizar por secciones. El cuello no es la CPU sino la latencia de cada bloque:
| prueba | tiempo |
|---|---|
| Prólogo solo (4.027 chars → 3:53 de audio) | 57 s |
| 3 secciones en paralelo (vs. ~260 s en serie) | 43 s |
| libro completo, 6 workers | 8 min 56 s |
Si el servicio te limita, bajá --workers a 2 o 3.
7. Verificar y juntar
Chequeo rápido de duración y de que no haya silencio:
ffprobe -v error -show_entries format=duration -of csv=p=0 audio/04-Capitulo-uno.mp3
ffmpeg -t 60 -i audio/04-Capitulo-uno.mp3 -af volumedetect -f null - 2>&1 | grep volume
mean_volume alrededor de -22 dB y max_volume cerca de -4 dB = audio sano.
Para el archivo único, lista los MP3 y concatenás sin recodificar:
python3 - <<'PY'
import glob, os
with open('concatenar.txt', 'w') as f:
for p in sorted(glob.glob('audio/*.mp3')):
f.write(f"file '{os.path.abspath(p)}'\n")
PY
ffmpeg -f concat -safe 0 -i concatenar.txt -c copy \
-metadata title="Lo que el Buddha enseñó" \
-metadata artist="Walpola Rahula" libro_completo.mp3
-c copy funciona porque todos los MP3 salen del mismo motor y voice, con el mismo bitrate (48 kbps, mono).
Resultado
| sección | duración | tamaño |
|---|---|---|
| Prólogo | 3:53 | 1.3 MB |
| Prefacio | 5:13 | 1.8 MB |
| El Buddha | 2:31 | 0.9 MB |
| Capítulo I | 29:32 | 10.1 MB |
| Capítulo II | 27:51 | 9.6 MB |
| Capítulo III | 10:13 | 3.5 MB |
| Capítulo IV | 19:58 | 6.9 MB |
| Capítulo V | 13:00 | 4.5 MB |
| Capítulo VI | 31:45 | 10.9 MB |
| Capítulo VII | 20:53 | 7.2 MB |
| Capítulo VIII | 30:33 | 10.5 MB |
| Breve antología | 104:14 | 35.8 MB |
| Anexos | 17:52 | 6.1 MB |
| completo | 5:17:27 | 109 MB |
Problemas probables
- Sale poco texto del PDF: es escaneo; pasalo por
ocrmypdfprimero. - Sin internet:
edge-ttsno funciona. Ahí sí convienepiper(con el modeloes_AR-daniela-high) oespeak-ng -v es. - Se cuelan notas: buscá
(N. del T.)en el texto limpio. Si aparece, la regla 1 no cortó en la página correcta y hay que ajustar elsig[:3]. - Capítulos duplicados o mal numerados: contá encabezados en orden, como en el ejemplo; no confíes en el número que dice el PDF.