PDF2Audio 開源 PDF 轉播客工具，論文餵進去就變雙人對話

用 AI 摘要這篇文章：

ChatGPT Claude Perplexity Google Grok

2024 年 9 月，MIT 的原子與分子力學實驗室（LAMM）把一個能把論文變成雙人播客的網頁工具放上 GitHub，兩年累積到 1,384 顆星，Hugging Face 上的展示頁也收了 462 個讚。這個叫 PDF2Audio 的工具現在還在、還能用，但它已經悄悄變成兩個東西：一個是 GitHub 上停在某個春天的開源專案，另一個是 Hugging Face 上持續改版的線上服務。想用的人該走哪一邊，差別比多數人以為的大。

會有這個工具，背景是實驗室的研究計畫而非創業案。它隸屬 Buehler 團隊的 SciAgents 系列（用多智慧體做材料發現的研究），README 引的兩篇論文都在講知識圖譜推理，附的樣本音檔轉的也正是自家論文；程式碼也以另一個開源專案 pdf-to-podcast 為底改出來。這種出身影響了它的長相：功能前沿、prompt 全部攤開，但安裝體驗和長期維護都是實驗室規格。

開源版和線上版，已經是兩個不同的產品

GitHub 上的 main 分支，最後一次 commit 停在 2025 年 4 月 18 日，訊息是「Add files via upload」。往後一年半，issue 一個一個開進來，沒有任何一筆新的 commit。36 個 commit 全部來自同一個帳號：LAMM: MIT Laboratory for Atomistic and Molecular Mechanics，Markus Buehler 實驗室的組織帳號。這是很典型的學術展示程式：論文發完、展示做完，原始碼就地封存。

但同一時間，Hugging Face Space 上的那份 app.py 一直有人改。Space 的版本歷史顯示，2025 年 8 月 30 日、12 月 30 日、2026 年 5 月 2 日、7 月 17 日、9 月 11 日，各有一次實質更新，全部只發生在部署端，一次都沒有同步化到 GitHub。

兩份 app.py 的大小差了 11.5 KB，差的不只是體積。打開模型選單：GitHub 版的文字模型清單停在 o1、o3、o4-mini、gpt-4.1、gpt-4o 那個世代，介面預設值是 o3-mini；Space 版的清單多了 gpt-5.2、gpt-5.5、gpt-5.6-sol、gpt-5.6-terra、gpt-5.6-luna、gpt-6-astra 等一整排新模型，預設值直接指到 gpt-6-astra。內建模板的數量也不同：GitHub 版 11 種，Space 版 13 種，多出來的兩種是「深度研究報告」和「逐字朗讀」，後面會講到它們在做什麼。Space 版還多了 GitHub 版完全沒有的連網搜尋開關，生成講稿時可以讓模型自己去查資料補充。

換句話說，PDF2Audio 的「開源」是真的（Apache-2.0 授權，LICENSE 檔完整），但開放出來的是 2025 年 4 月的身體。持續吃新模型、長新功能的版本，只活在別人雲端上的那個部署，而且那個部署跑的是 Hugging Face 免費帳號等級的 cpu-basic 硬體；反正運算都發生在使用者自己的 API key 上，實驗室出的只是介面。服務會不會一直開著，取決於實驗室還願不願意按那個更新按鈕。

它實際做的事：把 PDF 拆成五段 prompt，再逐句配音

從程式碼看，生成管線分成幾步。pypdf 先把上傳的 PDF 抽出文字，副檔名也接受 Markdown（.md、.mmd）和純文字檔；接著用 OpenAI 的文字模型跑五段 prompt：開場指示替模型設定角色（例如兩位主持人）、內容分析交代怎麼讀素材、草稿區讓模型先在隱藏區塊裡構思、前導對話是進正題前的開場白、正式對話稿才是最終產出。每種模板對應一組不同的 prompt 組合，而且五段都能在介面上直接改，等於把整份節目製作說明攤開給你。

Pin

11 種基礎模板裡，除了播客、講課、摘要、短摘要，還有法文、德文、西班牙文、葡萄牙文、印地文和中文六種語言版的播客模板。中文模板確實存在，不過它的 prompt 本身是用簡體中文寫的，指示模型做出 NPR 風格的雙人對話，所以期待繁體中文講稿的人要有心理準備，產出多半是簡體稿。對台灣聽眾來說，英文播客模板加上中文摘要的組合，讀起來可能反而更順。

Space 版多出的兩個模板各有定位。「深度研究報告」把輸出改成單一講者的長篇分析，prompt 裡甚至明白要求要寫到三萬字規模，還指定了後設資料、資料抽取、優缺點、跨領域連結、開放問題等段落結構；「逐字朗讀」則反其道而行，要求模型忠實照原文唸出來，不改寫、不刪減，比較接近把文件變成有聲書的用法，對視覺不便的讀者是有意義的模式。

比較有特色的是「改稿再生成」這段。頭一次生成後，它會先把對話稿攤開給你看，你可以逐行編輯、給整體意見，或只改某幾句，再讓模型照著改過的稿子重新合成音檔，也能只換聲音、不動稿子重新唸一次，完成的稿子還能直接下載成 Markdown 檔（這幾項線上版都有，GitHub 版只有整稿編輯）。介面上對應的是一個「使用編輯後講稿」的勾選框、一個給整體意見的輸入框，和一個能展開的逐行編輯區。這比「按一個按鈕等結果」的工具多了一層工序，對輸出品質有要求的人會用到；反過來說，懶得改稿的人這些都會閒著。

費用結構也值得先想清楚。這條管線會向你的 API 帳號收兩種錢：文字模型按生成講稿的量計費，語音合成再按講稿字元計一次，而「深度研究報告」那種三萬字等級的模板會直接把兩邊一起放大；改稿重錄是重新計費，不是免費重試。官方沒有公布任何價格承諾，實際帳單取決於文件長度、模板和反覆次數，用長論文全功能跑一輪之前，先拿短文件試算一次是比較穩的做法。

配音用 OpenAI 的 TTS，兩位講者各選一種聲音，清單列了十一個選項，nova 還重複出現了兩次，很有研究程式碼的隨性。語音引擎有三個：tts-1、tts-1-hd、gpt-4o-mini-tts，前兩種就是照稿念，最後一種多了一個「導演指令」欄位，可以對每位講者下語氣指示，例如一人活潑一人沉穩，這個欄位只在選 gpt-4o-mini-tts 時生效。程式用執行緒池逐句合成，再串成一個 mp3。倉庫裡附了一段官方樣本，是把自家 SciAgents 論文轉成的雙人對話，實際量測長度是 13 分 05 秒、160 kbps、15.7 MB，不想花 API 費的人可以先聽這段判斷味道對不對。

線上版打開的樣子：介面完整，鑰匙自己帶

Space 是公開頁面，不用註冊 Hugging Face 帳號就能開。截至 2026 年 10 月初，介面完整可用：檔案上傳區（可一次丟多個檔）、OpenAI API Key 欄位、文字與語音模型下拉選單、聲音選擇、模板選單、五段 prompt 編輯框、Custom API Base 欄位都在；推理模型另有努力程度選項（低、中、高或略過），對照程式碼就是 promptic 的 reasoning_effort 參數。載入過程的連線對象只有 Space 本身、huggingface.co 和字型 CDN，介面層沒有任何第三方統計或追蹤。

Pin

不過要講清楚一點：整條生成流程需要 OpenAI API key 才會動。程式碼寫得很明白，沒有 key 就直接報錯「OpenAI API key is required」。key 可以填在介面上，也可以設環境變數。PDF 的文字內容會連同 prompt 一起送到 OpenAI 的模型，講稿再送到 TTS，這是這類工具共同的資料流向，拿機密文件來轉之前要自己先想一遍。

Custom API Base 是個值得知道的設計。它可以讓你把請求指向任何 OpenAI 相容的端點，例如本地或中繼層的 LiteLLM，issue 區也確實有人這樣玩（相關討論有九則留言）。錢和資料要送給誰，這裡還有一點選擇空間，只是模型能力就看你端點後面接的是什麼。

自架這條路，比 README 看起來顛簸

README 教你用 Conda 建 Python 3.9 環境、pip 裝七個套件（gradio、pandas、openai、pypdf、loguru、promptic、tenacity），全都沒有鎖版本。issue 區的現況說明了後果：有人裝完直接 SyntaxError（2025 年 11 月開著無人處理）、有人 localhost 起不來、Windows 11 跑不動，也有 .env 設定無效的坑。十個 open issue 裡，從 ollama 支援、ElevenLabs、換別家 TTS 的功能請求，到安裝求救，全數靜置，實驗室的力氣顯然不在這裡。

還有一個會踩到的時間炸彈：兩版的模型清單裡都留著 o1-2024-12-17 和 o3-mini-2025-01-31 這兩個帶日期的快照版，而 OpenAI 官方棄用頁已經把它們排在 2026 年 10 月 23 日停用。所謂快照版是模型在某個日期的凍結副本，優點是行為固定，代價是供應商汰換時會整個消失；清單裡同名但不帶日期的版本會自動指向當下的最新版，不受這波停用影響。到時候選單裡這兩項會直接失效，挑模型的時候認清這一點就好，避開帶日期的版本。

如果你就是想要那份程式碼跑在自己機器上（例如接自己的模型端點），拿 GitHub 版加隨附的 Colab notebook 是唯一的路。notebook 路線省掉裝環境的麻煩，瀏覽器裡就能跑整條流程，key 在工作階段裡設定即可；自己裝的話，套件版本要自己喬、遇到問題沒人接。還有一個文件沒講明白的坑：README 叫你把 key 寫進 .env 檔，但程式裡根本沒有載入 .env 的程式碼，key 要直接設成系統環境變數才吃得到，這件事已經有人開 issue 記錄了。

免鑰匙的替代品，先想一下再出發

同樣是「文件變音檔」，Google 的 NotebookLM 免費、不用 API key、上傳就能生成雙人音檔摘要，對多數只是想聽論文的人，那是成本最低的起點。PDF2Audio 的價值在反過來的地方：模型任你挑、prompt 五段全公開可改、能換端點、能反覆改稿重錄，這些是封閉服務給不了的掌控權。

實際會把這工具用滿的，多半是有固定文獻消化需求的人，從趁通勤複習論文的研究生到把長文加工成節目素材的創作者都算，「逐字朗讀」模板另照顧了把文件唸出來的無障礙需求。偶爾轉一篇的心血來潮型使用者，多半撐不過 key 設定和模板挑選這一關。同屬開源路線的 paper-to-podcast 把英文論文轉成三人對話，安裝門檻比 PDF2Audio 更硬，有興趣的人可以對照著看。若是需要先把影片或演講變成文字再處理，語音轉錄工具是另一段前工序；想把 YouTube 影片的聲音變成文字，也有對應的轉錄工具。

誰該走哪一條路

只想試一兩次的人：直接開 Space，貼上自己的 key 就能用，連安裝都省了，模型和模板都是最新版。怕麻煩又不想花錢的人：先聽 repo 裡的樣本音檔，再考慮 NotebookLM 這類免 key 服務。想要掌控權的人：Colab notebook 是中間值，環境現成、程式碼看得見、改 prompt 最方便；要長期自架才碰 GitHub 版，並記得把套件版本鎖好，模型也要選不帶日期的版本。

一句話收束：這個工具最務實的使用方式，就是把「GitHub 上的開源專案」和「Hugging Face 上的活服務」當成兩件事來評估。前者給你一份停在 2025 年春天、可自由改造的研究程式碼；後者才是持續長出新能力的產品本體。要哪一個，看你更在乎掌控還是省事。

授權與專案狀態

PDF2Audio 採 Apache-2.0 授權，出自 MIT LAMM 實驗室（SciAgents 研究系列），GitHub 上 1,384 顆星、36 個 commit，main 停在 2025 年 4 月 18 日；Hugging Face Space 有 462 個讚、更新至 2026 年 9 月。介面現況截至 2026 年 10 月初；生成層需自備 API key 才會動，實際效果與帳單視模型、文件長度與反覆次數而定。