用 AI 做播客脚本和语音合成

这篇适合谁 / 不适合谁

适合：

• 想做播客 / 口播视频但怕写稿配音
• 有文字内容想转成语音分发
• 要可本地跑的配音（隐私敏感）

不适合：

• 要真人主播的情感与临场（AI 音色仍有界）
• 要版权音乐/真人采访（那是内容制作）
• 只想要"一键生成完整节目"（质量靠逐段打磨）

开始前准备什么

1. 主题与大纲：这期讲什么、几段、每段要点。
2. 音色偏好：沉稳 / 活泼 / 中性，男女声。
3. (可选)是否配画面：纯音频还是口播视频。

操作步骤

1. 装 skill

hyperframes-audio 是音频生成技能包，复制目录到客户端技能目录（与一般 Agent Skill 装法一致）：

2. 脚本写成口语稿

把下面这篇干货文改成 8 分钟播客脚本：
- 口语化，像对朋友讲，不用书面连接词
- 开头 30 秒抛钩子（一个反直觉的点），结尾给一句行动建议
- 标出哪句该停顿、哪段该换语气

3. 配音选自然音色

本地隐私敏感用 tts-voice-synthesis；先试听 1 段再批量合成整期：

用 TTS 合成上面脚本，音色选中性沉稳，语速 0.95x，
长句自动在逗号处停顿。先合成开头 1 分钟给我试听。

4. 要口播视频加画面

要视频版用 hyperframes-creative 定调性，再把音频对齐字幕/画面。

会踩的坑

FAQ

没有录音设备能出播客吗？

能，脚本+TTS 合成即可，无需麦克风。

配音能选音色吗？

能，先试听 1 段再定；本地 TTS 隐私更可控。

纯音频还是口播视频？

看分发渠道；视频版用 hyperframes-creative 定调性再对齐画面。

脚本要多长？

8-12 分钟最稳，太长完播率低；先钩子后干货。

商用版权注意什么？

配音/音乐确认可商用授权；别用未授权的人声克隆。

相关指南

顺着这些场景接着看：

• 用 AI 做口播短视频和剪辑
• 用 AI 翻译和本地化文档

相关源码

• heygen-com/hyperframes · hyperframes-audio 源码
• heygen-com/hyperframes · hyperframes-creative 源码
• anbeime/skill · tts-voice-synthesis 源码
• Agent Skill 开放格式规范

一句话结论

结论：播客先写"说人话"的口语稿、选自然音色，内容优先画面为辅，别一上来堆特效。