Pdf Vocab Audio

从 PDF 提取词汇生成朗读音频，每个词组读两遍

PDF Vocabulary Audio Generator

从 PDF 词汇表提取英文单词，生成朗读音频。

作者

Maosi English Team

使用方法

bash

# 指定PDF文件
python3 pdf_vocab_audio.py /path/to/vocabulary.pdf

# 使用最新PDF（inbound目录）
python3 pdf_vocab_audio.py

输入格式

PDF 文件中每行包含：

• 英文单词/词组 + 中文翻译
• 示例：tiger 老虎、computer game 电脑游戏

处理规则

1. 提取英文 - 每行只提取英文部分
2. 保留词组 - 多个单词的词组保持完整
3. 每个读两遍 - 词组读两遍，中间停1秒
4. 语速 - -20%，英式男声 (en-GB-RyanNeural)

音频格式

• 语音：en-GB-RyanNeural
• 语速：-20%
• 停顿：1秒

输出

• 保存到：/tmp/
• 命名：{原文件名} 词汇朗读音频.mp3

示例

输入PDF内容：

text

tiger 老虎
message 消息
computer game 电脑游戏

输出音频：

• tiger (第1遍) → 停1秒 → tiger (第2遍) → 停1秒
• message (第1遍) → 停1秒 → message (第2遍) → 停1秒
• computer game (第1遍) → 停1秒 → computer game (第2遍)

技术实现

1. PDF解析：使用 PyMuPDF 提取文本
2. 依赖检查：使用 shutil.which() 验证工具存在
3. 英文过滤：正则匹配，只保留英文字母和空格
4. 音频生成：edge-tts 生成单词/词组音频
5. 静音生成：ffmpeg 生成1秒静音片段
6. 音频合并：ffmpeg concat 合并所有片段

安全设计

• ✅ 依赖验证：启动时检查 edge-tts 和 ffmpeg 是否可用
• ✅ 输入验证：PDF文件存在性和格式检查
• ✅ 路径隔离：所有操作在临时目录完成
• ✅ 临时目录：使用系统临时目录，自动清理
• ✅ subprocess安全：使用 shutil.which() 验证工具路径，参数列表传递
• ✅ 超时保护：30秒超时防止进程挂起
• ✅ 资源清理：临时文件自动清理

License

Apache License 2.0