Audiobook Studio

Do PDF ao áudio, com revisão humana e processamento local.

Um estúdio experimental para ler, revisar, narrar e exportar documentos em áudio — mantendo o documento original, o histórico de decisões e as gravações no dispositivo.

Experimentar a aplicação · Arquitetura · Executar localmente · Limitações

---

O projeto

A conversão de PDF em fala não começa na voz: começa em identificar qual texto do arquivo é confiável. PDFs podem misturar camadas de texto nativo, páginas digitalizadas, tabelas, código e caracteres corrompidos. Ler ou reescrever esses trechos sem revisão pode mudar seu significado.

O Audiobook Studio separa importação, análise, revisão, roteiro, geração e exportação. O Rust valida contratos e decisões canônicas; a aplicação React/TypeScript opera o navegador, os arquivos locais, o OCR e a síntese de voz.

O sistema é local-first, não um serviço de conversão hospedado. A interface é distribuída pela web, mas documentos, revisões e WAVs são guardados localmente no navegador. Alguns componentes/vozes precisam ser baixados na primeira utilização.

Fluxo de uso

Etapa	O que acontece
01 · Projeto	Importação de PDF (até 32 MB), identificação da fonte e checkpoint local.
02 · Documento	Navegação por páginas no modo texto ou visualização original.
03 · Revisão	Inspeção do texto nativo, OCR local seletivo, comparação e decisões explícitas.
04 · Narrativa	Estruturação, edição e revisão de um roteiro com referências à fonte e verificação de QA.
05 · Áudio	Leitura local do navegador, geração WAV literal/narrativa com Piper e navegação por capítulos.
06 · Exportar	Download do WAV e de manifesto com informações de capítulos e identidade dos artefatos.

As aprovações são ações locais do operador, não prova de que o conteúdo está semanticamente correto ou de que a identidade do revisor foi verificada. Trechos problemáticos podem bloquear a geração até revisão.

Arquitetura em uma página

PDF (não confiável)
  └─ PDF.js / Web Worker ──> extração e evidências
           │
           ▼
      Rust core (DocumentIR v2 / validação / revisão / QA)
           ▲  │
           │  └─ contratos versionados via Rust/WASM
           │
    React + adapters do navegador
      ├─ IndexedDB ── checkpoints, índices e estado
      ├─ OPFS ─────── PDF, evidências e áudio
      ├─ Tesseract ── OCR candidato, com revisão
      └─ Piper/ONNX ─ síntese local por partes ── WAV + capítulos

Fronteira de responsabilidade: a UI não deve decidir por conta própria se uma fonte é aprovada ou se uma narrativa está elegível. Essas regras pertencem ao core Rust. Para fluxo completo, invariantes, estados e trade-offs, veja Arquitetura e decisões e ADRs.

Organização do repositório

Diretório	Responsabilidade
crates/core	Domínio determinístico: documentos, OCR, referências, revisão, leitura e narrativa.
crates/wasm	Fronteira de exportação e contratos Rust → WebAssembly.
apps/web	UI React, PDF.js, Web Workers, Tesseract, Piper e adapters de persistência.
docs	Decisões arquiteturais, qualidade, segurança, limitações e evolução.
.ai	Pacote de tarefa, handoff e histórico de verificações.
scripts	Ferramentas de build, manutenção e validação do workspace.

Executar localmente

Requisitos: Node.js 22.x e npm; Rust 1.94.1 para testar ou modificar o core/WASM. Os assets de OCR e síntese são copiados de dependências fixadas no lockfile durante o build. O navegador precisa oferecer os recursos de armazenamento pertinentes ao fluxo.

cd apps/web
npm ci
npm run typecheck
npm test
npm run build
npm run dev

Para conferir a suíte Rust, na raiz do repositório:

cargo fmt --all -- --check
cargo test --workspace --locked
cargo clippy --workspace --all-targets -- -D warnings

Se alterar Rust consumido pela aplicação, reconstrua o WASM antes dos testes Web:

cd apps/web
npm run wasm:build
npm run test:standard

Os testes de navegador que geram áudio/OCR de fato são opt-in e podem baixar o modelo de voz. Instruções em Quality gates e estratégia de ingestão/OCR.

Limitações e maturidade

• O projeto possui testes automatizados e smokes documentados, mas não equivale a uma certificação de fidelidade de audiobooks arbitrários.
• OCR produz candidatos. Correções e sugestões locais não devem substituir texto sem decisão explícita; texto nativo corrompido também não é automaticamente confiável.
• O rascunho narrativo inicial usa material da fonte e demanda edição/revisão humana. A checagem estrutural não substitui avaliação semântica independente.
• A primeira geração Piper pode baixar um modelo de aproximadamente 63 MB; navegadores móveis podem suspender trabalhos longos. Compatibilidade em Android físico permanece um gate de validação manual.
• Histórico, PDF e WAVs dependem do armazenamento do navegador/origin. Limpeza dos dados do site pode removê-los; exporte os arquivos que pretende conservar.
• Documentos complexos (tabelas, fórmulas, diagramas e textos de extração ruim) ainda exigem corpus de referência, benchmarks e inspeção humana.

Para o status por capacidade, com evidências e pendências sem promessas de prontidão, veja Gap analysis. Para os limites de confiança, consulte Security.

Documentação

Visão arquitetural · Fluxo das etapas · Segurança · Persistência · Narrativa e performance · Quality gates · Context index

Licença: MIT. Este repositório é um laboratório de engenharia em evolução; decisões e verificações são documentadas, incluindo o que ainda não foi validado.