Ai Podcast Creation

核心功能

AI Podcast Creation 是一套基于 inference.sh CLI 的音频内容生产工具链，整合文本转语音（TTS）、AI 音乐生成与媒体合并三大能力，覆盖从脚本到成品的完整播客工作流。

文本转语音：支持 Kokoro TTS（11种高品质音色，含英美男女声）、DIA TTS（自然对话风格）及 Chatterbox（表现力型），可精细控制语速、停顿与情感色彩，满足新闻、有声书、娱乐等场景。

AI 音乐生成：通过 infsh/ai-music 生成片头片尾、背景氛围及转场音效，支持长度与风格定制，默认建议背景音乐音量控制在10-15%以避免干扰人声。

媒体合成：infsh/media-merger 实现多轨音频拼接、交叉淡化（crossfade）、背景音叠加，支持从简单旁白到多角色对话的复杂编排。

显著优点

• 音色丰富度高：Kokoro 提供细分场景化音色标签（如 am_michael 适合纪录片科技主题），大幅降低选声试错成本
• 工作流闭环：从 Claude 脚本生成 → 分段 TTS → 音乐/音效 → 自动合并，单命令行即可完成整集制作
• NotebookLM 替代方案：支持将文档内容转化为双主持人对话式播客，填补 Google NotebookLM 的地区限制与定制缺失
• 专业音频控制：提供语速调节（0.9x 适合长章节）、交叉淡化毫秒级精度、背景音量百分比控制等广播级参数

局限与风险

• 无可视化界面：纯 CLI 操作，对非技术用户门槛较高，需熟悉 JSON 参数与管道重定向
• TTS 韵律局限：长文本易出现机械断句，需人工在脚本中插入标点优化；多音字与专业术语发音可能偏差
• AI 音乐版权灰色地带：生成音乐的版权归属与平台合规性未明确，商业分发存在潜在风险
• 依赖外部推理：所有 TTS 与音乐生成均调用云端 API，无离线能力，大规模生产需考虑成本与速率限制

适用人群

独立播客主、知识付费内容团队、有声书制作人、企业内训/ newsletter 音频化运营者，以及寻求 NotebookLM 替代方案的技术型内容创作者。

常规风险

• 生成内容需人工审核，避免 AI 幻觉导致的错误信息传播
• 建议保留原始脚本与工程文件，便于后期人工重录或调整
• 商业项目应确认 inference.sh 服务条款与生成内容的授权范围

核心用法

该Skill为纯Markdown文档型工具，无可执行代码，主要通过结构化文档提供完整的AI播客制作工作流。用户需先安装inference.sh CLI工具（curl -fsSL https://cli.inference.sh | sh），随后通过infsh app run命令链式调用多个音频服务：Kokoro TTS（提供8种英美口音角色音，如权威男声am_michael、温暖女声af_sarah）、DIA TTS（自然对话流）、Chatterbox（表现力娱乐向）实现多角色语音合成；配合infsh/ai-music生成片头片尾及背景音乐；最终通过infsh/media-merger完成音频拼接、淡入淡出与音量混音。

工作流覆盖四大场景：单人旁白（支持语速调节如speed: 0.9）、双人对话访谈（交替生成后交叉淡入淡出）、NotebookLM风格文档转播客（Claude生成脚本→拆分角色→交错合并）、完整有声书章节。典型pipeline可整合Claude-3.5-Sonnet自动生成脚本，实现"文本→分角色语音→配乐→混音成品"的全自动化。

显著优点

声库丰富度领先：Kokoro提供6种精细标注的英语口音（美式温暖/专业、英式典雅/经典），DIA专攻对话自然度，Chatterbox强化娱乐表现力，覆盖播客、有声书、新闻、纪录片等多元场景。生态整合深度：与inference.sh平台深度绑定，可直接调用Claude等LLM生成脚本，形成"AI写稿-AI配音-AI配乐-AI混音"的完整MLOps链条，对标NotebookLM的文档转播客能力。工程化友好：所有步骤均为标准CLI命令，输出JSON格式便于程序化串联，支持crossfade_ms毫秒级精准控制、background_volume百分比混音等专业参数。

潜在缺点与局限性

平台锁定风险：完全依赖inference.sh单一外部服务（cli.inference.sh/inference.sh域名），若服务中断或定价策略变更，整套工作流失效。curl|bash安全隐患：Quick Start推荐的curl | sh管道安装方式无代码审查环节，虽域名可信但存在供应链劫持理论风险（安全报告已标注）。《多语言支持缺失》：当前声库仅限英语，中文、日语等TTS需额外技能扩展。《长文本处理成本》：章节级有声书需分段生成后手动合并，无原生长文本流式输出。离线能力为零：所有TTS与音乐生成均依赖云端API，无法本地部署或断网使用。

适合的目标群体

• 独立播客创作者：零录音设备门槛，快速迭代内容原型
• 内容营销团队：批量生成音频 Newsletter、企业播客栏目
• 教育工作者：将课件文档转为NotebookLM式双人讲解音频
• 有声书制作方：英语 audiobook 的自动化初稿生成
• AI产品开发者：学习多模态Pipeline编排的工程参考

使用风险说明

性能风险：云端TTS依赖网络延迟，长文本分段生成可能累积数分钟等待；高频调用受inference.sh速率限制。依赖项风险：需同时维护Claude API（脚本）、Kokoro/DIA（语音）、AI Music（配乐）三端服务可用性，任一服务异常将中断pipeline。内容合规风险：AI生成语音的商用授权边界（如是否构成"深度伪造"）需用户自行确认当地法规。数据隐私：文本内容需上传至inference.sh平台处理，敏感文档转播客前建议脱敏。