ai-podcast-pipeline

AI Podcast Pipeline 是一套专为韩语内容创作者设计的端到端 AI 播客制作工具链，版本 0.1.5 提供了从原始趋势笔记到成品播客包的全自动化生产能力。

核心用法方面，该技能通过七个标准化步骤实现工作流：首先选择 QuickView 趋势笔记作为数据源，随后生成双主持（Callie × Nick）对话脚本，支持完整版（15-20 分钟）和压缩版（5-7 分钟）两种模式。接着利用 Google Gemini 多说话人 TTS 技术生成双声道音频，通过分块构建策略确保长文本处理的可靠性。随后自动生成完整韩语字幕（无省略号截断），并渲染为带字幕的 MP4 视频，支持字体、字号和时间偏移调整。最后自动生成 YouTube 缩略图和元数据，形成可直接发布的完整资产包。

显著优点包括：双角色语音合成创造真实对话感；基于 Gemini 的 TTS 技术提供高质量韩语语音；全自动字幕生成与同步减少人工调整；支持分块处理避免 API 超时；完整的 YouTube 发布准备（标题、描述、缩略图）；环境变量管理 API 密钥确保安全性。

潜在缺点在于：功能高度依赖 Google Gemini API 的可用性和网络连接；需要本地安装 ffmpeg 等外部工具；目前仅针对韩语优化，其他语言支持有限；作为 T3 来源的个人开发者项目，长期维护存在不确定性；对字体文件路径和外部 skill（nano-banana-pro）有硬性依赖。

适合的目标群体包括：韩语 AI 播客内容创作者、需要批量生成教育或新闻类音频节目的媒体工作者、希望通过自动化减少制作时间的 YouTube 播客主，以及探索 AI 语音合成应用的技术早期采用者。

使用风险主要包括：网络依赖风险（Gemini API 访问不稳定可能导致中断）；API 密钥管理风险（用户需自行确保环境变量安全）；外部工具依赖（ffmpeg 版本兼容性可能影响输出质量）；文件系统权限（需要读写临时文件和输出目录）；以及个人开发者维护风险（更新频率和功能延续性不确定）。

核心用法

AI Podcast Pipeline 是一套完整的自动化播客生产工作流，专为韩文内容创作者设计。系统从 QuickView 趋势笔记出发，通过 7 个标准化步骤产出可直接发布的播客资产包：

1. 源文件选择：支持本地 Quartz markdown 或 wk.aiee.app URL 映射

2. 脚本生成：双模式可选——完整版（15-20分钟）或压缩版（5-7分钟核心要点），由 Callie（女声）与 Nick（男声）进行对话式呈现，遵循预设模板保证风格统一

3. 双轨音频合成：采用 Google Gemini 多角色 TTS API，支持分块构建（chunked builder）避免超时，默认声线 Kore↔Callie、Puck↔Nick

4. 全文字幕生成：无截断省略号，严格适配韩语排版（每行≤22字符）

5. 字幕视频渲染：基于 PIL 和 ffmpeg 合成，支持字体（Do Hyeon）、字号（25-27pt）、时序偏移（-150~-300ms 延迟修正）微调

6. 缩略图与元数据：自动生成 YouTube 标题（3 套备选）、描述、缩略图

7. 交付清单：源文件、MP3、MP4（含大小）、缩略图、YouTube 全套元数据

显著优点

• 端到端自动化：从原始笔记到发布就绪资产，人工介入仅需审核与微调
• 双声线自然对话：非单 TTS 朗读，而是角色化对谈，听感更接近真人播客
• 工程可靠性：分块处理解决长文本 API 超时；环境变量密钥管理通过 S 级安全认证
• 零第三方依赖风险：除 PIL 外纯标准库实现，供应链攻击面极小
• 格式兼容性：MP3/MP4/SRT/PNG 标准输出，适配 Telegram、YouTube、Spotify 全平台

潜在缺点与局限性

• 韩语专属：当前仅优化韩语 TTS 与排版，英文或其他语言需额外适配
• Gemini 绑定：深度依赖 Google Gemini API，定价策略变更或区域可用性会影响服务
• 视觉固定：缩略图模板相对标准化，高度定制化需手动介入
• 时长天花板：20 分钟以上内容建议拆分多期，单文件处理存在内存考量
• ffmpeg 环境依赖：需本地预装 ffmpeg/ffprobe，Windows 环境配置门槛略高

适合人群

• 韩语科技/趋势类内容创作者，希望高频产出（周更级别）而不牺牲专业度
• 个人播客主，缺乏录音设备或配音能力，追求"一键生成"效率
• 媒体运营团队，需要将 Newsletter/速览笔记快速转化为多模态资产
• 对 AI 语音合成接受度高、愿意在人工审核后发布的务实生产者

常规风险

| 风险点 | 等级 | 说明 |

|--------|------|------|

| API 密钥泄露 | 低 | 强制环境变量读取，无硬编码，已通过审计 |

| 供应链攻击 | 极低 | 标准库+PIL，无复杂依赖树 |

| 内容版权 | 中 | 需确保源 QuickView 内容原创或合规引用 |

| API 服务中断 | 中 | Gemini 故障将阻断音频与缩略图生成 |

| 语音伦理争议 | 低 | AI 合成语音需按平台规范披露，避免误导 |

整体而言，这是当前韩语 AI 播客领域工程完成度最高的开源方案，安全认证 S 级、代码透明可审计，适合作为生产级基础设施部署。