AI podcast dual host mandarin

AI 双主持人播客生成器 v2.2

将任意 URL / PDF / 主题 转化为结构化双主持人对谈内容 + 双声道 TTS 音频。

核心特性

• 生成摘要展示：生成完成后自动展示内容亮点、段落结构和输出文件
• 流式脚本生成：解决长文本动态字数超时问题，成功率100%
• 可选外部研究引擎：支持由 OpenClaw / Claude Code 等主 Agent 调用 Sub-Agent 完成真实网络检索
• 统一研究引擎（本地Fallback）：单 Agent 完成从泛化检索到大纲构建的全流程
• 三层Persona配置：风格对标预设 / 一句话生成 / 文档提取，支持固定主持人+可变嘉宾模式
• TTS 2.0 优化：WebSocket连接复用、引用上文、智能重试、动态超时
• 多种输入源：主题、URL、PDF三种输入方式
• 5种风格模板：高效传达、发散漫谈、深度对谈、观点交锋、喜剧风格
• 双声道立体声：A左声道、B右声道，收听体验更佳
• 动态字数控制：默认约8-12分钟（2500字），支持由大纲或用户参数扩展

触发条件

当用户有以下需求时，使用此 skill：

场景	示例
生成播客	"生成一期关于AI的播客"
文章转对话	"把这篇文章转成两人对话形式"
音频内容	"将这篇论文转为可听的音频"
双人对话	"做一个关于科技趋势的对谈节目"
TTS音频	"生成带配音的播客脚本"
带Persona的播客	"用郭德纲风格讲量子力学" / "像我上次配的鲁豫风格那样讲这篇文章"

不应使用此 skill 的场景：

• 简单文本摘要（不需要播客格式）
• 单人独白（非双人对话）
• 纯文本输出（不需要音频）

使用方法

命令行

# 从主题生成（默认）
python -m src.podcast_pipeline "人工智能的发展趋势" --style 深度对谈

# 从 URL 生成
python -m src.podcast_pipeline "https://example.com/article" --type url --style 观点交锋

# 从 PDF 生成
python -m src.podcast_pipeline "./paper.pdf" --type pdf --style 高效传达

# 跳过音频、指定目标字数
python -m src.podcast_pipeline "主题" --skip-audio --target-length 3000

Python API — 本地完整模式

from src.podcast_pipeline import PodcastPipeline

pipeline = PodcastPipeline()
result = pipeline.generate(
    source="人工智能的发展趋势",
    source_type="topic",
    style="深度对谈",
    output_dir="./my_podcasts",
    verbose=True
)

print(f"Session ID: {result['session_id']}")
print(f"音频文件: {result['audio_path']}")
print(f"脚本行数: {sum(len(seg['lines']) for seg in result['script'])}")

Python API — Sub-Agent Research 注入模式

from src.podcast_pipeline import PodcastPipeline

# 外部 Sub-Agent 已完成真实网络检索
research_pkg = { ... }  # 参见 examples/research_package_example.py

pipeline = PodcastPipeline(skip_client_init=True)
result = pipeline.generate(
    source="人工智能的发展趋势",
    source_type="topic",
    research_package=research_pkg,
    output_dir="./my_podcasts",
    verbose=True
)

完整 Sub-Agent 注入示例见 examples/research_package_example.py。

自然语言 Persona 处理

当用户的输入涉及 Persona 需求时，由你（外层 Agent）直接调用底层工具函数，无需等待内部路由。核心工具是 PersonaResolver，它封装了匹配/创建/保存/更新的完整逻辑。

Persona 使用决策树

1. 首次使用检测

调用 PersonaResolver(user_id).resolve() 或 check_first_time(user_id)。若 is_first_time=True，必须先询问用户希望主持人是什么风格，不要默默使用默认。

建议话术："这是你第一次使用播客生成skill。你希望播客主持人是什么风格？例如：十三邀的风格、郭德纲与林志玲聊天的感觉、或者给我一篇文章，我来提取真实人物人格。"

2. 非首次使用

• 用户未提及 Persona（无描述、无文档、无 preset）
  → 直接使用上次保存的 default.json（无需额外参数）。

• 用户给出自然语言描述（如"用郭德纲风格"、"像鲁豫那样"）
  → 调用 PersonaResolver.find_matching_persona(description)。它会先精确匹配 preset / saved persona 名称，再使用轻量级 LLM 语义匹配。

  • 若命中：直接使用该 persona，并同步为 default。
  • 若未命中：自动生成新的双人 persona，保存为 default。

• 用户提供了文档/文本（如"用这篇访谈里的人物风格来讲"）
  → 将文档内容作为 document_text 参数传入 generate()。Pipeline 内部会自动完成：提取 persona → 匹配是否已有 → 更新或创建 → 保存为 default。

推荐调用方式

from src.podcast_pipeline import PodcastPipeline
from src.persona_resolver import PersonaResolver

# 场景 A：用户说"用郭德纲风格讲量子力学"
resolver = PersonaResolver()
result = resolver.resolve(explicit_description="郭德纲风格")
# result.source 可能为 "description_matched"（已有）或 "description_new"（新建）

pipeline = PodcastPipeline()
pipeline.generate(
    source="量子力学",
    source_type="topic",
    persona_config=result.persona_config,
    style="喜剧风格"
)

# 场景 B：用户上传了文档
pipeline = PodcastPipeline()
pipeline.generate(
    source="科技趋势",
    source_type="topic",
    document_text=open("interview.txt", "r", encoding="utf-8").read(),
    style="深度对谈"
)

# 场景 C：首次使用，必须主动确认
resolver = PersonaResolver()
first = resolver.resolve_first_time()
if first.is_first_time:
    # 向用户提问，获取描述后再调用 resolver.resolve(explicit_description=...)
    pass

输入参数

必需参数

参数	类型	说明
source	str	输入内容：主题文本 / URL / PDF文件路径
source_type	str	输入类型：topic / url / pdf

可选参数

参数	类型	默认值	说明
style	str	auto	对话风格：auto / 深度对谈 / 观点交锋 / 发散漫谈 / 高效传达 / 喜剧风格
persona_config	dict	None	自定义主持人配置（覆盖默认）
research_package	dict	None	外部 Sub-Agent 提供的 Research Package（提供时跳过本地 Research）
output_dir	str	./output	输出目录
verbose	bool	True	是否打印详细日志
skip_audio	bool	False	是否跳过音频生成
pause_before_audio	bool	False	是否在音频生成前暂停，等待用户确认
target_length	int	None	显式指定目标字数（优先级最高），默认由大纲动态计算

输出格式

返回数据

{
    "session_id": str,
    "source": str,
    "source_type": str,
    "style": str,
    "research": dict,
    "script": List[dict],
    "audio_path": Optional[str],
    "timestamp": str
}

生成文件

在 output_dir 目录下生成：

文件	格式	说明
podcast_{session_id}.json	JSON	完整数据（research + script）
podcast_{session_id}.md	Markdown	可读对话格式
podcast_{session_id}.mp3	MP3	双声道音频（TTS配置后）

前置条件

• API Key：配置 DOUBAO_API_KEY（用于 Research 和 Script 生成）
• TTS（可选）：配置 VOLCANO_TTS_APP_ID 和 VOLCANO_TTS_ACCESS_TOKEN（不配置时只生成文本）
• 音色推荐：见 config/tts_voices.json 中的 _meta.notes

更多安装配置、Persona 管理、风格预设、文件结构详见 README.md。

Sub-Agent 模式

如果你使用 Claude Code、OpenClaw 等具备 WebSearch 能力的 Agent：

1. 主 Agent 调用 agents/external-research-agent.md 定义的 Sub-Agent 完成真实检索
2. 主 Agent 将返回的 ResearchPackage 直接注入 PodcastPipeline.generate(..., research_package=pkg)
3. 本地 Pipeline 跳过 Research，直接执行 Script Generation + TTS

Sub-Agent 详情与数据结构说明见 DEVELOPMENT.md。

性能指标

阶段	时间	说明
Research	~10-15s	单次API调用
Script (流式)	~60-300s	2000-8000+字符（动态），无超时
TTS (优化后)	~60-300s	40-200句，连接复用
总计	~4-10分钟	生成8-35分钟播客

测试

# 端到端测试
python tests/test_e2e_complete.py

# TTS 专项测试
python tests/test_tts_comprehensive.py
python tests/test_tts_connection_reuse.py
python tests/test_tts_context.py
python tests/test_tts_long_text.py

# 功能回归验证
python tests/test_fix_validation.py

相关文档

• README.md — 项目介绍、快速开始、使用示例、Persona 管理
• DEVELOPMENT.md — 架构设计、开发规范、Sub-Agent 集成
• VERSION_LOG.md — 版本历史
• agents/external-research-agent.md — 外部 Sub-Agent Prompt