podcast-generation

播客生成技能

概述

此技能可根据文本内容生成高质量的播客音频。工作流包括创建结构化的 JSON 脚本（对话形式），并通过文本转语音合成生成音频。

核心能力

• 将任意文本内容（文章、报告、文档）转换为播客脚本
• 生成自然的双人主持对话（男主持人与女主持人）
• 使用文本转语音合成语音音频
• 将音频片段混合成最终的播客 MP3 文件
• 支持英语和中文内容

工作流

步骤 1：了解需求

用户请求生成播客时，请确认：

• 源内容：要转换为播客的文本、文章或报告
• 语言：英语或中文（根据内容判断）
• 输出位置：保存生成的播客的位置
• 无需检查 /mnt/user-data 下的文件夹

步骤 2：创建结构化脚本 JSON

在 /mnt/user-data/workspace/ 中创建结构化 JSON 脚本文件，命名格式为：{descriptive-name}-script.json

JSON 结构：

{
  "locale": "en",
  "lines": [
    {"speaker": "male", "paragraph": "dialogue text"},
    {"speaker": "female", "paragraph": "dialogue text"}
  ]
}

步骤 3：执行生成

调用 Python 脚本：

python /mnt/skills/public/podcast-generation/scripts/generate.py \
  --script-file /mnt/user-data/workspace/script-file.json \
  --output-file /mnt/user-data/outputs/generated-podcast.mp3 \
  --transcript-file /mnt/user-data/outputs/generated-podcast-transcript.md

参数：

• --script-file：JSON 脚本文件的绝对路径（必需）
• --output-file：输出 MP3 文件的绝对路径（必需）
• --transcript-file：输出的 Markdown 文稿文件的绝对路径（可选，但建议提供）

重要

• 在一次完整调用中执行脚本。不要将工作流拆分为多个步骤。
• 脚本会在内部处理所有 TTS API 调用和音频生成。
• 不要读取 Python 文件，只需使用参数调用它。
• 始终包含 --transcript-file，为用户生成易读的文稿。
• TTS 提供方及其并发数会根据环境变量自动选择，无需手动选择或调整。

脚本 JSON 格式

脚本 JSON 文件必须采用以下结构：

{
  "title": "The History of Artificial Intelligence",
  "locale": "en",
  "lines": [
    {"speaker": "male", "paragraph": "Hello Deer! Welcome back to another episode."},
    {"speaker": "female", "paragraph": "Hey everyone! Today we have an exciting topic to discuss."},
    {"speaker": "male", "paragraph": "That's right! We're going to talk about..."}
  ]
}

字段：

• title：播客节目的标题（可选，用作文稿中的标题）
• locale：语言代码——英语为 "en"，中文为 "zh"
• lines：对话行数组
  • speaker：只能是 "male" 或 "female"
  • paragraph：该主持人的对话文本

脚本撰写指南

创建脚本 JSON 时，请遵循以下指南：

格式要求

• 仅包含两位主持人：男主持人与女主持人，自然轮流发言
• 目标时长：约 10 分钟对话（约 40-60 行）
• 以男主持人的问候开场，并包含 "Hello Deer"

语气与风格

• 对话自然随意，就像两位朋友聊天
• 使用轻松的表达和自然的对话过渡
• 避免过于正式或学术的语气
• 加入回应、追问和自然的插话

内容指南

• 主持人之间频繁交谈
• 句子简短易懂，便于听众听清
• 仅使用纯文本，不要在输出中使用 Markdown 格式
• 将技术概念转化为通俗易懂的语言
• 不要使用数学公式、代码或复杂符号
• 让内容引人入胜，便于仅通过音频收听的听众理解
• 排除日期、作者姓名或文档结构等元信息

播客生成示例

用户请求：“生成一期关于人工智能历史的播客”

步骤 1：创建脚本文件 /mnt/user-data/workspace/ai-history-script.json：

{
  "title": "The History of Artificial Intelligence",
  "locale": "en",
  "lines": [
    {"speaker": "male", "paragraph": "Hello Deer! Welcome back to another fascinating episode. Today we're diving into something that's literally shaping our future - the history of artificial intelligence."},
    {"speaker": "female", "paragraph": "Oh, I love this topic! You know, AI feels so modern, but it actually has roots going back over seventy years."},
    {"speaker": "male", "paragraph": "Exactly! It all started back in the 1950s. The term artificial intelligence was actually coined by John McCarthy in 1956 at a famous conference at Dartmouth."},
    {"speaker": "female", "paragraph": "Wait, so they were already thinking about machines that could think back then? That's incredible!"},
    {"speaker": "male", "paragraph": "Right? The early pioneers were so optimistic. They thought we'd have human-level AI within a generation."},
    {"speaker": "female", "paragraph": "But things didn't quite work out that way, did they?"},
    {"speaker": "male", "paragraph": "No, not at all. The 1970s brought what's called the first AI winter..."}
  ]
}

步骤 2：执行生成：

python /mnt/skills/public/podcast-generation/scripts/generate.py \
  --script-file /mnt/user-data/workspace/ai-history-script.json \
  --output-file /mnt/user-data/outputs/ai-history-podcast.mp3 \
  --transcript-file /mnt/user-data/outputs/ai-history-transcript.md

这将生成：

• ai-history-podcast.mp3：播客音频文件
• ai-history-transcript.md：易读的播客 Markdown 文稿

特定模板

仅在用户请求符合以下模板时，才读取对应模板文件。

• 技术解读 - 用于将技术文档和教程转换为播客

输出格式

生成的播客遵循“Hello Deer”格式：

• 两位主持人：一男一女
• 自然的对话交流
• 以“Hello Deer”问候语开场
• 目标时长：约 10 分钟
• 主持人交替发言，让内容更生动

输出处理

如果生成失败，命令会以状态码 1 退出，并将诊断信息写入 stderr。只有在命令成功后才能提供 MP3；已有的音频文件或新写入的转录文本都不能证明音频生成成功。

生成完成后：

• 播客和转录文本保存在 /mnt/user-data/outputs/
• 使用 present_files 工具向用户分享播客 MP3 和转录文本 MD
• 简要说明生成结果（主题、时长、主持人）
• 提供重新生成的选项，以便按需调整

要求

必须设置以下环境变量：

• Volcengine：VOLCENGINE_TTS_APPID 和 VOLCENGINE_TTS_ACCESS_TOKEN
• MiniMax：MINIMAX_API_KEY
• VOLCENGINE_TTS_CLUSTER：Volcengine TTS 集群（可选，默认值为 "volcano_tts"）
• VOLCENGINE_TTS_VOICE_TYPE_MALE：Volcengine 男声类型（可选，默认值为 zh_male_yangguangqingnian_moon_bigtts）
• VOLCENGINE_TTS_VOICE_TYPE_FEMALE：Volcengine 女声类型（可选，默认值为 zh_female_sajiaonvyou_moon_bigtts）

语音类型覆盖值会经过去除首尾空格处理；未设置或为空时，将使用所列默认值。

注意事项

• 始终在一次调用中执行完整流程——无需单独测试各步骤，也不必担心超时
• 脚本 JSON 应与内容语言一致（en 或 zh）
• 在脚本中应简化技术内容，以便听众理解
• 在脚本中应将复杂符号（公式、代码）转换成通俗语言
• 内容较长可能会生成更长的播客

提供商（Volcengine / MiniMax）

根据环境变量自动选择：

• 设置了 VOLCENGINE_TTS_APPID 和 VOLCENGINE_TTS_ACCESS_TOKEN → 使用 Volcengine TTS（默认）。
• 仅设置了 MINIMAX_API_KEY → 使用 MiniMax TTS（/v1/t2a_v2）。
• 使用 PODCAST_GENERATION_PROVIDER=volcengine|minimax 强制指定。

MiniMax 覆盖项：MINIMAX_API_HOST（默认 https://api.minimaxi.com）、 MINIMAX_TTS_MODEL（默认 speech-2.6-hd）、MINIMAX_TTS_VOICE_MALE （默认 male-qn-qingse）、MINIMAX_TTS_VOICE_FEMALE（默认 female-tianmei）。

并发由各提供商在内部管理——MiniMax 使用单线程以减少速率限制错误，Volcengine 使用 4 个工作线程。调用方无法设置并发参数；遇到暂时性的速率限制时，会通过自动重试和退避机制处理。