从OpenAI、Claude等产品为代表的对话助手，Midjourney、SD为代表的文生图、Suno为代表的音乐生成，再到Sora、Pika等为代表的视频生成，这回终于席卷到了播客。最近几年，播客内容特别火，比如，我们经常可以看到马斯克在Lex Fridman Podcast发表一些重要观点。
NotebookLM是Google推出的一款AI 笔记产品，最近因其文本生成播客功能而走红。NotebookLM并不是简单的 TTS(文本生成音频)，而是支持各种多模态的内容类型，比如我们可以将公共 YouTube URL 和音频文件以及 PDF、Google 文档、幻灯片、网站等你上传的任何资料，直接添加到笔记本中，或者转换成效果非常逼真的双人对话播客。下面我们就来尝试自己动手，利用 AI 技术制作一个属于自己的播客。通过这个过程我们来深入理解AI在播客分析和生成方面的潜力。我们可以把这个过程简单分为“转录、优化、生成”。通过这个过程，我用Python构建了自定义的转录器和优化器，并尝试生成完整的播客内容。在具体操作中，我借助了 OpenAI 和 Claude 来处理音频转录任务，而 Bark 和 Parler 则为生成语音提供支持。为了模拟真实的播客对话，我给不同的 AI 赋予了不同的角色，让它们“对话”起来。
接下来我会和你分享我的整个流程，包括 Python 脚本、配置方法，以及一些试验中发现的有趣问题。Claude和OpenAI：让文字成为有声对话的灵魂
我的第一步是使用 Claude 来生成播客的转录稿。Claude 有一个特点，它能够在角色的语调和风格上保持一致性。为了更贴合播客的风格，我设计了一套提示词，比如让它扮演“知名主持人的幕后代笔”，生成的对话不仅生动，还会加入“嗯”“啊哈”等语气词，让内容更有亲切感。
Claude 的 Haiku 模型在快速生成内容上非常高效，适合用来测试和迭代。如果需要更细腻、更复杂的对话内容，Claude 的 Sonnet 模型是一个更好的选择。而且流式生成的功能让我可以实时观察对话展开，这种过程就像看一部对话流畅的剧本写作直播。
在 Claude 生成初稿后，我转向 OpenAI 来进一步完善内容。OpenAI 的强项在于生成自然且详尽的语言，它在模拟人类对话时表现得尤为出色。我设置了一个独特的场景，让它充当“播客编剧”，专门为知名主持人设计对话。这种方式不仅让生成的台词有趣，还能适应不同的播客风格。最终，我将这些转录稿保存为文件，方便后续的调整和优化。
Claude让角色对话更有层次
为了让播客的内容更加生动，我进一步优化了 Claude 的输出。通过设计精细的提示词，我为两个“主持人”注入了截然不同的个性。Speaker 1 是一位幽默风趣、擅长用比喻的讲述者，而 Speaker 2 则表现得活泼且充满好奇心，经常用“嗯”“啊哈”或笑声来回应，这种互动让对话更自然。此外，我还对内容进行了格式化处理，确保它能顺利用于语音生成。
用 OpenAI 把控对话节奏
类似地，OpenAI 也承担了优化转录稿的工作。我通过提示词强化了角色个性，同时调整了每位说话者的台词节奏，使得内容适配 TTS（文本转语音）系统。最终，优化的转录稿更加流畅，更贴近真实的播客对话。
从文字到声音：用Bark与Parler进行AI语音生成
在完成内容转录和优化后，我将目光转向语音生成。我选择了两种 TTS 模型：Parler 为 Speaker 1 提供清晰、自信的声音，而 Bark 则为 Speaker 2 提供更自然、互动性强的语音。这种组合模拟了真实播客中主持人之间的对话互动。
然而，这一阶段问题也接踵而至。虽然 Parler 的表现相对稳定，但 Bark 生成的声音偶尔会出现背景噪音，有时甚至会让对话听起来像是在嘈杂的咖啡馆。此外，Speaker 2 的语调不够一致，时而成熟冷静，时而变成“青春洋溢”的风格，显得缺乏连贯性。
为了解决这些问题，我对生成的音频进行了逐段优化，并将其整合为一个完整的播客文件。尽管最终效果距离理想状态还有差距，但播客的雏形已经形成——一个由 AI 创作并生成的对话内容，呈现出一种与人类播客截然不同的风格。
AI播客技术的经验与反思
这次实验带来了许多有趣的发现。首先，Claude 和 OpenAI 在生成转录稿方面的表现超出我的预期，生成的内容自然流畅，甚至让我跳过了许多优化步骤。然而，语音生成部分的问题却暴露了当前 TTS 模型的一些不足。比如，Bark 的背景噪音和声音不一致性，都给最终的播客效果带来了很大的影响。
未来，我计划继续优化语音生成部分，尝试其他 TTS 模型，并改进提示词的设计，力求生成更加自然、流畅的对话。
如果你对 AI 播客技术感兴趣，也想尝试自己动手，欢迎长按扫码获取本文完整源码：
点击阅读原文加入AI技术变现训练营
