Tak — konwersja pliku PDF na dźwięk to proces dwuetapowy: wyodrębnij tekst, a następnie przeprowadź jego konwersję tekstu na mowę. Technologia uległa znacznemu udoskonaleniu, a wyniki nadają się do większości celów, chociaż wrażenia są bardzo zróżnicowane w zależności od sposobu utworzenia pliku PDF i używanego mechanizmu zamiany tekstu na mowę.
Dlaczego nie ma bezpośredniej konwersji PDF na audio
Pliki PDF nie zawierają danych dźwiękowych — zawierają tekst, obrazy i informacje o układzie. Konwersja pliku PDF na dźwięk oznacza wyodrębnienie tekstu z pliku PDF, a następnie syntezę mowy z tego tekstu. Są to dwie oddzielne operacje, dlatego żadne narzędzie nie konwertuje PDF bezpośrednio do formatu MP3 w jednym kroku: zawsze obejmuje wyodrębnienie tekstu, a następnie syntezę tekstu na mowę.
Jakość wydruku zależy w dużej mierze od jakości ekstrakcji tekstu. Plik PDF z czystym tekstem o odpowiedniej strukturze zapewnia naturalny dźwięk. Plik PDF będący zeskanowanym obrazem, z uszkodzonym kodowaniem tekstu lub nietypowym formatowaniem generuje dźwięk z błędami — błędnie odczytanymi słowami, fragmentami czytanymi w niewłaściwej kolejności lub zniekształconymi fragmentami.
Korzystanie z wbudowanej funkcji zamiany tekstu na mowę w systemie operacyjnym
Najprostsze podejście na komputerze Mac: otwórz plik PDF, zaznacz cały tekst (Cmd+A), przejdź do Edycja → Mowa → Zacznij mówić. Wbudowany w komputerze Mac mechanizm zamiany tekstu na mowę odczytuje na głos wybraną treść. To nie jest plik audio, który możesz zapisać — to odtwarzanie na żywo — ale do słuchania PDF podczas robienia czegoś innego działa bez żadnych dodatkowych narzędzi.
W systemie Windows Narrator (wbudowany czytnik ekranu) może czytać na głos zawartość PDF, gdy plik jest otwarty w przeglądarce PDF. Skrót umożliwiający rozpoczęcie czytania to Ctrl+Windows+Enter. Ponownie jest to odtwarzanie na żywo, a nie plik, który można zapisać.
Tworzenie pliku audio z PDF Tekst
Aby utworzyć rzeczywisty plik audio (MP3, M4A, WAV), którego można słuchać w trybie offline lub udostępniać, procedura jest następująca: wyodrębnij tekst z pliku PDF, wklej go do usługi zamiany tekstu na mowę i pobierz plik wyjściowy audio. Kilka usług zajmuje się tym bezpośrednio.
Natural Reader, Speechify i Balabolka (Windows, bezpłatna) akceptują wprowadzanie tekstu i eksportują pliki audio. Interfejs API Google do zamiany tekstu na mowę i Amazon Polly programowo generują wysokiej jakości, naturalnie brzmiący dźwięk. Aby uzyskać pełny plik PDF, skopiuj tekst rozdział po rozdziale lub sekcja po sekcji, przekonwertuj każdą część i w razie potrzeby dołącz pliki audio.
PDF Musi mieć tekst do wyboru
Wyodrębnianie tekstu działa tylko wtedy, gdy PDF zawiera prawdziwą warstwę tekstową. W przypadku zeskanowanych plików PDF zawierających tylko obraz, najpierw uruchom OCR PDF, aby dodać warstwę tekstową z możliwością przeszukiwania, a następnie kontynuuj wyodrębnianie tekstu i konwersję audio. Bez OCR system zamiany tekstu na mowę nie ma nic do odczytania — w pliku nie ma tekstu, tylko piksele.
Szybki test: spróbuj wybrać zdanie w PDF. Jeśli podświetlone zostaną poszczególne słowa, warstwa tekstowa istnieje. Jeśli zamiast tego zostanie wybrany prostokątny obszar strony, będzie on zawierał tylko obraz i wymagał OCR, zanim możliwa będzie konwersja audio.
Ograniczenia, których można się spodziewać
Nawet przy czystym wyodrębnianiu tekstu i dobrej zamianie tekstu na mowę konwersja PDF na audio ma znane ograniczenia. Tabele i rysunki nie są przekładane na dźwięk w znaczący sposób — silnik zamiany tekstu na mowę czytający tabelę czyta komórkę po komórce w kolejności dokumentu, co często brzmi jak losowa lista liczb. Przypisy i paski boczne można czytać w połowie zdania, jeśli są umieszczone w ten sposób w warstwie tekstowej PDF. Notację matematyczną, wzory chemiczne i bloki kodu czyta się jako pojedyncze znaki, a nie jako znaczącą treść.
W przypadku tekstów narracyjnych — artykułów, raportów, książek, propozycji — konwersja dźwięku działa dobrze, a wynik jest naprawdę słyszalny. W przypadku dokumentów o dużej strukturze lub technicznych śledzenie dźwięku może wymagać większej uwagi niż bezpośrednie czytanie dokumentu.