Аудиокни́га — художественное или познавательное произведение, обычно начитанное человеком (например, профессиональным актёром) или их группой и записанное на любой звуковой носитель. Аудиокниги можно считать разновидностью радиоспектакля (радиопостановки).
из ВИКИ

Удобный очень формат прочтения, особенно когда ты не можешь читать реально глазами.
У меня есть свой набор аудио-книг, причем все они были обработаны мной, для приведения в свой формат упаковки , и это я делал для удобства и сокращения их размеров.
Принцип простой
1) Книгу обычно читает один человек, так что стерео-звучание - избыточно.
2) Диапазон речи - не превышает 10 кГц - можно сократить
3) Битрэйт - тоже сокращаем
4) а так же удаляем все лишнее и кодируем в ормате VBR
5) и как можно полнее заполняем карточку медиа-файла
И последнее - у меня книга опирается на чтение со смартфона, так что я обычно стараюсь книгу разорвать на главы и части. Если это не получается - то считаю работой незаконченой.

Источники - для аудио книг разные. Это и инет и ю-туб.
С последним поступаю очень просто - выбрасываю видео (на ютубе без формального видео- хранить нельзя) и потом перерабатываю , по выше указанному принципу.
Так же делаю эксперементальные книги, это просто берется текст и прога наговаривает книгу в аудиофайл, а потом используя вокодер - добавляю манеру реального чтеца. Так что в принципе можно синтезировать любое звучание.
Этот алгоритм, я впервые применил, при озвучке своих видеороликов-уроков, так как часто мои уроки многоязычные, а говорить на всех языках достаточно накладно и тем более нанимать чтецов тем более.

Итак начнем с последнего. а именно каким образом загрузить большой звуковой файл на ЮТуб. До сих пор этот хостер не воспринимает любые другие форматы кроме видео, и поэтому приходится к чистому звуковому файлу, типа mp3 добавлять некоторое видео, которое обычно представляет собой просто изображение многократно повтореное с некоторой периодичностью. В результате формируется сдайд-шоу из только одного кадра, и такое видео формальное пригружается к аудио-файлу и формируется в один контейнер, обычно формата mp4
Сборка такого видео можно выполнить в различных приложения, но я как истиный Линуксоид предпочитаю выполнять в терминале, используя утилиту ffmpeg

 $ ffmpeg -loop 1 -r {частота}
   -i {картинка} -i {звук} 
   -c:v libx264  -c:a copy
   -shortest {видео}

Полученный микс записывается в файл, обозначеный в строке как {видео} (на самом деле компонент  в скобках {}, во всей строке нужно заменить на соответствующие значения имен файлов или величин, соответствующих конкретной тематики). Для нас это будет соответствовать как
{видео} == имя_файла_видео.mp4
Параметры заданные как -i {картинка} и -i {звук} - соответствуют именам файлов картинки обложки и звуковому файлу.
А параметр заданный в группе ключей -loop 1 -r {частота} - соответствует частоте повторения картинки в фальшивом видеоряде, причем ключ -loop 1 указывает, что весь видеоряд должен формироваться из картинки с первого (1) места.
Понятно, что видеоряд формироваться бесконечно не может и его требуется остановить на границе окончания звукоряда, и для этого вводится параметр -shortest. Частота повторения обложки либо определяется через параметр -r как секунды/кадры, либо из битрейта звукоряда и для этого ключ -r - опускается