Qwen3-Audiobook-Converter 是一款基于 Qwen3 TTS 语音模型的开源有声书转换工具，支持将 PDF、EPUB、DOCX、DOC、TXT 等格式一键合成为 MP3 有声书。很多人合成整本电子书时会遇到"合成到一半失败"、"句首语调生硬"的问题，而该项目源码里最值得拆解的，正是它的智能句子边界分块算法。本文将从正则表达式、贪心装箱到重试缓存，完整讲清这套 TTS 长文本处理方案是如何做到不卡顿、不翻车的。

一、为什么 TTS 长文本必须"切块"？

直接把整本书丢给语音模型，通常会踩三个坑：

• 超时与截断：接口有超时上限（本项目API_TIMEOUT为 300 秒），文本越长越容易中途失败，白白浪费算力；
• 音色漂移：超长输入容易让模型状态不稳定，出现漏字、语调漂移；
• 句中被切断：如果按字数暴力截断，一句话会从中间断开，合成后听感就是"卡顿"和"断裂"。

所以"怎么切"比"切不切"更重要。Qwen3-Audiobook-Converter 的做法是：先切句子，再装进块，切块永远发生在句子边界上。

二、句子边界检测：一个正则解决 80% 的问题

核心实现在 split_into_chunks 方法中，第一步是用正则把全文拆成句子：

sentences = re.split(r'(?<=[.!?])\s+', text)

这行代码是整个算法的"灵魂"：

• (?<=[.!?])是后行断言，表示匹配位置前面必须紧跟.、!或?；
• 后面接\s+表示句号之后还有空白才切分，避免把Mr. Smith这类情况误切。

一句话概括：只在"句子结束符 + 空格"处下刀，从源头上保证每个分块都是完整句子的集合，TTS 合成时每个 chunk 的起止都是自然的语气停顿点，听感就不会断。

三、贪心装箱：把句子塞进 1500 词的块里

拿到句子列表后，算法采用经典的贪心装箱策略：

1. 逐句累加，只要当前块单词数不超过CHUNK_SIZE_WORDS（默认为 1500 词），就把下一句追加进来；
2. 一旦装不下，就封箱输出当前块，从这句话开始新开一个块；
3. 最后过滤掉空块，得到一串"边界干净、大小均匀"的 chunk 列表。

这样切出来的每一块都控制在模型最舒适的长度区间内——够长，避免频繁调用；够短，保证单次合成的稳定性和速度。

四、超长句兜底：逗号、分号、冒号二级切分

真实书籍里常有跨越整段的"巨型句"，单个句子就超过 1500 词怎么办？算法在 第 516-527 行 准备了二级兜底：

parts = re.split(r'[,;:]', sentence)

把超长句按逗号、分号、冒号再拆成片段，然后逐片段装箱；如果某个片段本身仍超限，则强制单独成块。这套"句子优先、标点兜底"的双层策略，就是标题里说的"智能"所在——优先保证语义完整，再保证长度可控。

五、防卡顿组合拳：重试、缓存与顺序合并

分块只是第一步，真正让长文本合成"稳"的，是围绕 chunk 的一整套工程化设计：

• 指数退避重试：process_chunk_with_retry 对每个块最多重试 3 次，等待时间按5 + 2^n秒递增，避免瞬时故障直接判定失败；
• MD5 音频缓存：get_cache_path 用"文本 + 声音模式 + 说话人"做 MD5 哈希缓存到cache/audio_chunks/，重复转换或重跑失败块时直接复用，不重复烧 GPU；
• 顺序处理防限流：MAX_WORKERS = 1且块间延迟 1 秒（见 MIN_DELAY_BETWEEN_CHUNKS），保证顺序正确、不被 API 限流；
• 无缝拼接：combine_chunks 用 pydub 把所有chunk_XXXX.wav依次拼成 128kbps 的 MP3，自动跳过失败块并在日志中标注缺失。

配合文本清洗阶段 _clean_text 对空白归一化和页码数字的剔除，整条流水线可以概括为：

抽取文本 → 清洗 → 句子边界分块 → 逐块 TTS（重试+缓存）→ 顺序拼接 → 清理临时文件

六、如何按需调整分块参数？

如果你想微调"块"的行为，只需要关注这几个参数：

七、关键文件速查

• 主程序（分块、TTS、拼接全部在此）：audiobook_converter.py
• 分块算法本体：split_into_chunks
• 配置参考：config.py
• 快速上手指南：QUICKSTART.md
• 示例文本与成品音频：sample/test_audio.txt、sample/test_audio.mp3
• 输入 / 输出目录：book_to_convert/、audiobooks/

总结

Qwen3-Audiobook-Converter 的"不卡顿"秘诀并不神秘：后行断言正则锁定句子边界 + 贪心装箱控制块长 + 标点二级兜底 + 重试缓存工程化护航。四者叠加，才让几十万字级别的长文本能被 Qwen3 TTS 稳稳地"读"完。理解了这套分块思路，你也可以把它迁移到自己任何需要批量 TTS 的场景中。