podcastgen 0.1.7

Generate podcasts from documents using Mimo LLM, Mimo TTS, and MiniMax BGM

PodcastGen

📻 文档播客生成工具 — 基于 Mimo LLM + Mimo TTS + MiniMax BGM

将文档自动转换为高质量播客音频：AI 分析文档结构 → 生成播客脚本 → 语音合成 → 背景音乐 → 混音输出。

✨ 特性

• 📊 智能文档分析：Mimo LLM (OpenAI 格式) 分析文档，按段落结构化输出 JSON
• 📝 脚本生成：支持单人/双人模式，三种风格（专业/轻松/叙事），多语言
• 🎤 TTS 合成：Mimo TTS 分段合成，自动拼接停顿
• 🎵 BGM 生成：MiniMax Music 2.6 生成背景音乐，自动循环+淡入淡出
• 🔊 混音输出：独立音量控制，自动归一化，WAV 输出
• 🎛️ CLI 命令：一键生成，支持丰富参数

📦 安装

pip install podcastgen

或从源码安装：

git clone <repo-url>
cd podcast_generator
pip install -e .

🔑 配置

设置环境变量：

export MIMO_API_KEY="your-mimo-api-key"
export MINIMAX_API_KEY="your-minimax-api-key"

🚀 使用

命令行

# 基本用法：基于已有播客文案生成（直接分段，不重新生成文本）
podcastgen -i document.md

# 基于话题直接生成脚本（无需文档）
podcastgen -t "人工智能对教育行业的影响"

# 双人播客（文案中用 [Host]: / [Guest]: 标记角色）
podcastgen -i document.md --mode double --tone casual --duration 20

# 话题模式 + 联网搜索 + 叙事风格
podcastgen -t "2024年AI大模型发展趋势" --web-search --tone storytelling --duration 15

# 仅解析分段（不生成音频）
podcastgen -i document.md --analyze-only

# 自定义BGM和音量
podcastgen -i document.md --bgm-prompt "lo-fi chillhop" --voice-volume 1.0 --bgm-volume 0.25

# 不要BGM，纯人声
podcastgen -i document.md --no-bgm

# 自定义音色
podcastgen -i document.md --host-voice "冰糖" --guest-voice "苏打"

# 英文播客使用英文音色
podcastgen -i document.md --language en --host-voice "Mia" --guest-voice "Dean"

# 使用音色复刻（通过音频样本克隆声音）
podcastgen -i document.md --host-voice-sample ./host_voice.mp3 --guest-voice-sample ./guest_voice.wav

# 话题生成 + 音色复刻
podcastgen -t "时间管理的艺术" --host-voice-sample ./my_voice.wav --duration 10

音色复刻 + 风格控制

podcastgen -i document.md --host-voice-sample ./voice.mp3 --tone casual

### 文档模式（直接分段）

当传入已有播客文案（`--input`）时，**不会调用 LLM 重新生成文本**，而是直接对文档内容做分段处理：

- **默认单人模式（无角色标签）**：按换行符分段，每个非空行作为一段 `Host` 台词，空行自动跳过
- **双人模式（带角色标签）**：在文档中用 `[Host]:` / `[Guest]:` 标签标记每段台词的角色，按角色分段合成不同音色
- 角色标签格式：`[Host]: 台词内容` 或 `[Guest]: 台词内容`（也支持 `主持人` / `嘉宾`）

**示例文档（单人模式，按行分段）：**

```text
欢迎收听本期播客，今天我们来聊聊人工智能的发展。
近年来，大语言模型取得了突破性进展...
接下来我们看看它对各行业的影响。

示例文档（双人模式，按角色分段）：

[Host]: 欢迎收听本期播客，今天的主题是人工智能。
[Guest]: 很高兴来参加节目，这个话题最近确实很热。
[Host]: 能不能先聊聊大模型的核心突破？
[Guest]: 当然，最主要的变化在于规模化和多模态...

语气分析（Alpha 测试）

使用 --use-tone 参数启用语气分析功能。开启后，系统会对每段台词进行情绪和风格分析（限制 token 2048），自动为每段台词匹配合适的语气，使播客更有表现力。

# 启用语气分析（document 模式）
podcastgen -i document.md --use-tone

# 启用语气分析（topic 模式）
podcastgen -t "人工智能的未来" --use-tone

⚠️ Alpha 测试阶段，分析结果可能不够精准，欢迎反馈。

音频标签（细粒度控制）

通过在文本中插入音频标签，你可以对声音进行细粒度控制，精准调节语气、情绪和表达风格。标签支持中文括号 （） 和英文括号 ()，可以出现在文本的任意位置。

风格类型：

类别	示例
语速与节奏	吸气 / 深呼吸 / 叹气 / 长叹一口气 / 喘息 / 屏息 / 语速加快 / 语速放慢 / 停顿 / 沉默片刻
情绪状态	紧张 / 害怕 / 激动 / 疲惫 / 委屈 / 撒娇 / 心虚 / 震惊 / 不耐烦 / 兴奋 / 难过 / 开心
语音特征	颤抖 / 声音颤抖 / 变调 / 破音 / 鼻音 / 气声 / 沙哑 / 轻声 / 大声 / 耳语 / 小声
哭笑表达	笑 / 轻笑 / 大笑 / 冷笑 / 抽泣 / 呜咽 / 哽咽 / 嚎啕大哭 / 苦笑

使用示例：

（紧张，深呼吸）呼……冷静，冷静。不就是一个面试吗……（语速加快，碎碎念）自我介绍已经背了五十遍了，应该没问题的。加油，你可以的……（小声）哎呀，领带歪没歪？

（极其疲惫，有气无力）师傅……到地方了叫我一声……（长叹一口气）我先眯一会儿，这班加得我魂儿都要散了。

如果我当时……（沉默片刻）哪怕再坚持一秒钟，结果是不是就不一样了？（苦笑）呵，没如果了。

（寒冷导致的急促呼吸）呼——呼——这、这大兴安岭的雪……（咳嗽）简直能把人骨头冻透了……别、别停下，走，快走。

（提高音量喊话）大姐！这鱼新鲜着呢！早上刚捞上来的！哎！那个谁，别乱翻，压坏了你赔啊？！

规则说明：

• 标签格式：（风格描述） 或 (风格描述)
• 标签作用于紧随其后的文本内容
• 可以在一段话中插入多个标签，每段标签后的文本按对应风格合成
• 多个风格用逗号分隔，如 （紧张，语速加快，小声）
• 支持中英文括号混合使用

话题生成模式

无需文档，直接根据话题生成播客脚本。适合快速创作知识分享类播客。

# 基于话题生成播客
podcastgen -t "人工智能在教育领域的应用与挑战"

# 话题 + 双人对话 + 轻松风格
podcastgen -t "职场新人如何快速成长" --mode double --tone casual --duration 15

# 话题模式 + 联网搜索（获取最新信息）
podcastgen -t "2024年诺贝尔物理学奖解读" --web-search

# 启用语气分析（自动为每段匹配情绪风格，Alpha 测试）
podcastgen -i document.md --use-tone

# 话题 + 英文播客
podcastgen -t "The future of renewable energy" --language en --duration 20

音色复刻

通过传入音频样本文件，精准复刻目标音色。使用 mimo-v2.5-tts-voiceclone 模型。

注意事项：

• 支持 mp3 和 wav 格式
• 文件大小不能超过 10MB
• 建议使用清晰的人声录音（30秒以上效果更佳），音频时长不能超过30秒

示例：

# 使用音频样本克隆主持人音色
podcastgen -i document.md --host-voice-sample ./my_voice.wav

# 双人播客，两人都使用音色复刻
podcastgen -i document.md --mode double \
    --host-voice-sample ./host_sample.mp3 \
    --guest-voice-sample ./guest_sample.wav

可选音色

音色名	Voice ID	语言	性别
MiMo-默认	mimo_default	因部署集群而异	-
冰糖	冰糖	中文	女性
茉莉	茉莉	中文	女性
苏打	苏打	中文	男性
白桦	白桦	中文	男性
Mia	Mia	英文	女性
Chloe	Chloe	英文	女性
Milo	Milo	英文	男性
Dean	Dean	英文	男性

Python API

from podcastgen import PodcastPipeline, load_config

# 使用默认配置
pipeline = PodcastPipeline()

# 基于文档生成播客（直接分段，不重新生成文本）
result = pipeline.run(
    document="你的文档内容...",  # 已有文案，直接分段；双人模式可用 [Host]:/[Guest]: 标签
    mode="single",       # single / double
    tone="professional",  # professional / casual / storytelling
    duration_min=10,
    language="zh",
)

print(result["files"]["final"])  # 最终音频路径

# 基于话题生成播客（无需文档）
result = pipeline.run(
    topic="人工智能在教育领域的应用与挑战",
    mode="single",
    tone="casual",
    duration_min=15,
    language="zh",
    web_search=True,      # 启用联网搜索
)

# 完整参数示例
result = pipeline.run(
    document="你的文档内容...",
    mode="double",
    tone="casual",
    duration_min=20,
    language="zh",
    bgm_prompt="lo-fi chillhop",
    voice_volume=1.0,
    bgm_volume=0.3,
    no_bgm=False,
    analyze_only=False,
    host_voice="冰糖",
    guest_voice="苏打",
    host_voice_sample=None,      # 音色样本文件路径，启用音色复刻
    guest_voice_sample=None,
)

# 使用音色复刻
result = pipeline.run(
    document="你的文档内容...",
    mode="single",
    host_voice_sample="./my_voice.wav",  # 通过音频样本克隆声音
)

# 也可以分步调用
analysis = pipeline.analyze(document)
script = pipeline.generate_script(document, analysis)
voice = pipeline.synthesize_voice(script["script"])
bgm = pipeline.generate_bgm("ambient, chill")
mixed = pipeline.mix_audio(voice, bgm)

📁 输出结构

output/podcast_YYYYMMDD_HHMMSS/
├── analysis.json      # 文档分析结果（JSON）
├── script.txt         # 播客脚本
├── voice.wav          # 人声音频
├── podcast.lrc        # 带时间标签的脚本（LRC格式，可在播放器显示字幕）
├── bgm.wav            # 背景音乐
├── podcast_final.wav  # 最终混音
└── metadata.json      # 元数据

🔧 API 参考

PodcastPipeline

方法	说明
run(document=None, topic=None, ...)	完整流程：document 直接分段 / topic 生成脚本 + TTS + BGM + 混音（二选一）
analyze(document, options)	分析文档，返回结构化 JSON
generate_script_from_document(document, analysis, options)	基于文档生成完整播客脚本
generate_script_from_topic(topic, options)	基于话题生成播客脚本（无需文档）
synthesize_voice(script_text, progress_cb)	TTS 合成语音
generate_bgm(prompt, duration_sec)	生成背景音乐
mix_audio(voice_data, bgm_data, ...)	混音合成

DocumentAnalyzer

方法	说明
analyze_document(document, options)	分析文档，返回结构化 JSON
generate_full_script(document, analysis, options)	基于文档生成完整播客脚本
generate_podcast_script_from_topic(topic, options)	基于话题生成播客脚本
parse_script_segments(script_text)	解析脚本为角色分段

TTSSynthesizer

方法	说明
synthesize_segment(text, role, style)	合成单段语音
synthesize_segments(segments, progress_callback)	批量合成
synthesize_segments_with_timestamps(segments, progress_callback)	批量合成并返回时间戳
save_wav(float_data, path)	保存为 WAV
save_lrc(timestamps, path, title)	保存 LRC 字幕文件

BGMGenerator

方法	说明
generate_bgm(prompt, duration_sec)	生成背景音乐
loop_bgm(bgm_data, target_duration_sec)	循环延长 BGM
apply_fade(audio_data, fade_in_sec, fade_out_sec)	添加淡入淡出

AudioMixer

方法	说明
mix(voice_data, bgm_data, voice_volume, bgm_volume)	混音
normalize(audio_data)	归一化音量
extract_waveform(audio_data, num_points)	提取波形数据

📋 参数说明

参数	类型	默认值	说明
document	str	None	输入文档内容（与 topic 二选一）
topic	str	None	播客话题描述（与 document 二选一）
mode	str	single	播客模式：single 单人 / double 双人
tone	str	professional	风格：professional / casual / storytelling
duration_min	int	10	目标时长（分钟）
language	str	zh	语言：zh / en
voice_volume	float	1.0	人声音量
bgm_volume	float	0.3	BGM 音量
host_voice	str	冰糖	主持人音色
guest_voice	str	苏打	嘉宾音色（双人模式）
host_voice_sample	str	""	主持人音色样本文件路径（启用音色复刻）
guest_voice_sample	str	""	嘉宾音色样本文件路径（启用音色复刻）
web_search	bool	False	启用联网搜索（仅用于话题模式）
use_tone	bool	False	启用语气分析（Alpha 测试），自动为每段匹配情绪风格
no_bgm	bool	False	不生成 BGM，仅生成人声
analyze_only	bool	False	仅解析分段，不生成音频

📝 License

MIT