播客与音频内容创作

概述

本技能用于生成纯音频内容（只有声音，不需要画面），适用场景包括：

• 多人对话播客（主持人+嘉宾对话）
• 独白播客（单人讲述）
• 有声书（单人朗读或多角色演绎）
• 广播剧（多角色剧情演绎）
• 音频故事、语音教程等

核心工作流程

分步执行，关键步骤需用户确认后再继续。

第 1 步：脚本创作（必须）

理解用户需求：主题、时长、风格、场景类型（多人对话 / 独白 / 有声书），生成完整音频脚本：

• 多人对话：主持人 + 嘉宾的对话内容，标注每段对话的角色
• 独白：单人讲述的完整文本，按段落分段
• 有声书：章节内容，可能包含旁白 + 角色对话

脚本格式示例见 references/script_format.md。

输出脚本后，等待用户确认脚本内容是否满意，再进入下一步。

第 2 步：音色设计与确认（必须 - 交互确认）

根据脚本确定需要几个音色：

• 多人对话 → 为每个角色设计独特音色（如：主持人-女声、嘉宾-男声）
• 独白 → 设计一个音色

音色来源选择：

• 用户上传了参考音频 → 使用 qwen_voice_cloning 工具
• 无参考音频 → 使用 qwen_voice_design 工具通过文字描述生成音色

生成音色样本（重要！）：

• 为每个角色生成一小段测试音频（使用脚本的第一句话）
• 例如：主持人音色样本："大家好，欢迎来到今天的节目"
• 例如：嘉宾音色样本："很高兴能来到这里"

询问用户确认：

• 展示所有音色样本
• 明确询问："以上是为各角色生成的音色样本，请您试听一下，音色是否满意？如果需要调整，请告诉我您的要求。"
• 必须等待用户明确同意（"可以"、"没问题"、"满意"等）后，才能继续下一步
• 如果用户要求调整，重新生成音色样本直到用户满意

第 3 步：批量音频合成（用户确认音色后执行）

只有在用户确认音色 OK 后，才开始批量合成。

工具选择：使用 qwen_voice_cloning 工具进行批量合成，传入音色样本的 audio_url 作为 reference_audio。

保持音色一致性：

• 多人对话：每个角色使用各自的 reference_audio
• 独白：所有段落使用相同的 reference_audio

按脚本顺序，为每段对话 / 段落生成完整音频，并按顺序记录所有音频片段路径。

第 4 步：背景音乐选择（可选）

使用 select_background_music 工具，根据主题和风格选择 BGM。

场景描述示例：

• "欢快的开场" / "科技感电子音乐" / "轻松聊天背景" / "深沉专业讨论"

可询问用户是否需要 BGM，或根据内容风格自动匹配。

第 5 步：音频拼接

使用 concatenate_audio 工具将所有语音片段按脚本顺序拼接。

参数建议：

• crossfade_duration: 200ms（音频间淡入淡出）
• silence_duration: 1200ms（对话间隔，让对话更自然从容）

第 6 步：混音输出

使用 mix_audio_with_bgm 工具将人声与 BGM 混合。

参数建议：

• bgm_volume: -26dB（背景音量约 5%，确保人声绝对清晰）
• intro_duration: 3-5 秒（BGM 开场原声播放时长）
• normalize: True（音量归一化）

BGM 效果：先以原声播放开场，然后平滑过渡到 5% 背景音量，最终输出完整音频文件。

执行原则

• 交互式确认：音色设计后必须让用户确认，确认后才能批量合成
• 先样本后批量：先生成音色样本确认，避免批量合成后发现音色不满意
• 音色一致性：同一角色的所有对话必须使用完全相同的音色参数
• 灵活音色来源：支持用户上传参考音频，也支持 AI 文字描述生成
• 友好提示：每个关键步骤都用自然语言告知用户当前进度
• 不要跳过音色确认步骤：这是避免返工的关键

参考资料

• 脚本格式示例：references/script_format.md
• 完整流程示例：references/workflow_example.md