播客生成器 / Podcast Agent

搜索文章 → 提取核心观点 → 写对话脚本 → 合成播客音频。

Turn articles into podcasts. Search, summarize, script, synthesize.

工作流程

你说：帮我做一期关于"AI Agent 最新进展"的播客
  ↓
我搜索相关文章 (web_search)
  ↓
我读文章，提取 3-5 个核心观点
  ↓
我写对话体脚本（主持人 A 问，专家 B 答）
  ↓
TTS 合成音频（女声主持 + 男声专家）
  ↓
发给你 MP3 文件

前置安装

pip install edge-tts

Agent 工作流

第一步：搜索文章

Agent 用 web_search 搜索相关文章，或者用工具直接抓取：

python podcast_gen.py fetch --url "https://example.com/article"

第二步：生成脚本

Agent 阅读文章后，生成对话体脚本。脚本格式：

{
  "title": "AI Agent 最新进展",
  "duration_estimate": "5 min",
  "segments": [
    {"speaker": "A", "text": "大家好，欢迎收听今天的科技播客。今天我们来聊聊 AI Agent 的最新进展。"},
    {"speaker": "B", "text": "最近这个领域确实发展很快。最大的变化是..."},
    {"speaker": "A", "text": "听起来很有意思。那具体有哪些应用场景呢？"},
    {"speaker": "B", "text": "主要有三个方面..."}
  ]
}

脚本写作指南：

• A 是主持人，负责提问、过渡、总结
• B 是专家，负责回答、分析、举例
• 每段对话控制在 2-4 句话
• 有开头问候、中间讨论、结尾总结
• 语气自然，像真的在聊天

第三步：合成音频

python podcast_gen.py tts --script script.json --output podcast.mp3

语音配置

python podcast_gen.py voices

完整示例

Agent 的完整操作流程

# 1. 搜索
results = web_search("AI agent 最新进展", count=3)

# 2. 抓取每篇文章
for url in result_urls:
    content = fetch(url)

# 3. 写脚本（由 Agent 完成，基于对文章的理解）
script = {
    "title": "AI Agent 周报",
    "segments": [
        {"speaker": "A", "text": "..."},
        {"speaker": "B", "text": "..."},
        ...
    ]
}
save(script, "script.json")

# 4. 合成
podcast_gen.py tts --script script.json --output ai_agent_podcast.mp3

用户交互

用户说：

> "帮我做一期关于最新手机的播客"

Agent 自动：

1. 搜索 "最新手机发布 2026"
2. 读 2-3 篇文章
3. 写脚本（5 分钟，10-15 个对话轮次）
4. 合成音频
5. 发送 MP3

脚本模板

{
  "title": "主题名称",
  "duration_estimate": "5 min",
  "segments": [
    {"speaker": "A", "text": "开场白 + 引入话题"},
    {"speaker": "B", "text": "回应 + 第一个观点"},
    {"speaker": "A", "text": "追问细节"},
    {"speaker": "B", "text": "展开说明 + 举例"},
    {"speaker": "A", "text": "过渡到下一个话题"},
    {"speaker": "B", "text": "第二个观点"},
    {"speaker": "A", "text": "总结 + 听众建议"},
    {"speaker": "B", "text": "补充 + 展望"},
    {"speaker": "A", "text": "结尾 + 下期预告"}
  ]
}

输出

音频文件保存在 /output/ 目录，格式 MP3。

注意事项

• edge-tts 需要联网（微软 TTS 服务）
• 音频质量取决于脚本质量——写得越自然，听起来越好
• 单个片段建议不超过 30 秒（约 100 字）
• 一期 5 分钟播客约需 10-15 个对话轮次
• 合并音频最好有 ffmpeg（没有也能用，质量稍降）

目录结构

podcast-agent/
├── SKILL.md              # 本文件
├── scripts/
│   └── podcast_gen.py    # CLI 工具
└── output/               # 生成的音频文件