您最好有一个tagged PDF文档作为您的输入文档。这意味着文档包含标记以标记文档的逻辑结构（通常 PDF 文档将仅包含视觉信息）。

然后可以将该 PDF 转换为DAISY格式,这是数字有声读物的标准,即存储书籍文本以及逻辑结构和导航特征的中间 XML 格式。

这种 Daisy XML 格式可以是converted to an audio format，也可以使用 Daisy 阅读器（如 MP3 播放器之类的物理设备）来收听这本书。

Daisy 网站上提供了一个演示文稿，解释了此工具链的原理：

使用Festival文本到语音。各种 pdf 到文本 api 的存在...

您需要 Microsoft 的 Speech SDK。阅读说明here

正如其他海报所概述的那样，首先您必须从.pdf 文件中提取文本。pdf 文件现在是一种开放格式，因此您可能可以通过 Google 找到解析器。

然后，您必须从文件中提取要转换为语音的文本，而忽略图形标题，页眉，目录等内容。

一旦你得到了文本，你需要把它转换成语音。这可能是最难的部分。

前一段时间，我摆弄着为游戏 mod 生成语音文件，因为我是一个烂配音演员。

Cepstral 有我能找到的最好的 TTS 转换器。（免费的人有在演讲中插入 Cepstral 广告的烦人倾向，但我可以手动编辑这个我在做什么。）

事实证明，有一种语音合成标记语言，可用于为 TTS 转换器提供有关哪个音节放置重音等的线索。

你如何去自动添加 SSML 的文本是有点超越我。

无论如何，TTS 转换器将产生一个音频文件，最后一步是以 mp3 格式以所需的比特率压缩音频。