核心用法
AI Podcast Creation 是一套基于 inference.sh 平台的播客/音频内容生产工作流，通过 CLI 工具链实现「文本→语音→混音」的全流程自动化。核心能力包括：
1. 多引擎 TTS：支持 Kokoro TTS（6 种欧美音色）、DIA TTS（自然对话）、Chatterbox（表现力）三种语音引擎，可依据内容类型选择权威、温暖或活泼的声线。
2. 多角色对话生成：通过为不同角色分配独立 voice ID，结合 media-merger 的交叉淡入淡出（crossfade）实现逼真双人/多人播客。
3. AI 音乐与音效：内置 ai-music 生成片头/片尾/背景音，支持音量控制（建议背景 10-15%）。
4. 端到端流水线：从 Claude 脚本撰写 → 分段 TTS → 音乐生成 → 混音合并，单命令即可完成完整剧集。
5. NotebookLM 替代方案：可将长文档自动转化为双人讨论式播客脚本，再生成音频。
显著优点
- 工程化完整：提供了 Interview、Solo、News Roundup 等现成脚本模板，降低创作门槛。
- 音色覆盖全：美/英口音、男女声、正式/ casual 风格均有对应选项。
- 可组合性强：各步骤输出 JSON，便于在 CI/CD 或自动化工作流中复用。
- 本地 CLI 优先：通过
infsh命令直接调用，适合开发者与自动化场景。
潜在局限
- 语言限制：当前 TTS 仅支持英语（en-US/en-GB），中文等多语言需额外处理。
- 无可视化编辑器：纯 CLI 工作流对非技术用户门槛较高。
- 依赖外部平台： inference.sh 的 API 可用性与定价策略决定长期成本。
- 音色固定：无法像专业配音那样实时调整情感强度或重音位置。
适合人群
- 独立创作者、自媒体运营者，希望快速验证播客内容。
- 技术团队需要批量生成音频内容（如有声书、内部培训材料）。
- 寻求 NotebookLM 开源替代方案的知识管理/教育用户。
常规风险
- 版权与肖像：AI 生成音乐与语音的商用授权边界需确认平台条款。
- 内容幻觉：脚本由 LLM 生成，可能出现事实错误，需人工审核。
- 音频质量：长文本 TTS 可能出现断句异常，建议分段生成后校验。
- API 密钥安全：CLI 登录后凭证存储于本地，共享环境需做好权限隔离。