用途:把已写好的脚本、对话或文本转为成片播客单集,目标是达到 Apple Podcasts / Spotify 级别的广播音频标准,最终产出可直接上传托管平台的 MP3。
主要能力:按脚本标记解析说话人(speaker)与结构性指令(INTRO、OUTRO、TRANSITION、SEGMENT、SILENCE);为不同角色分配音色并保证听感区分;调用 TTS 合成语音;对每段做高通、压缩、限幅处理;生成静音间隔;混入背景氛围音与片头片尾音乐;执行两遍 loudnorm 母带处理(-16 LUFS);最后编码为 192kbps MP3 并上传至 Artifact Store。
使用方式:需已配置 Rebyte API 鉴权,使用 $AUTH_TOKEN 作为 Bearer token、$API_URL 作为 base URL。开始前检查 ffmpeg、curl、jq、base64、python3 是否可用,并创建临时工作目录(chunks、segments、assets 子目录)。TTS 通过 POST "$API_URL/api/data/tts/synthesize" 调用,默认模型 gpt-4o-mini-tts,请求 WAV 格式;调用前先用短文本做探测。所有中间音频统一为 WAV(PCM,44100 Hz,立体声,s16),仅最后编码一次 MP3。结束后删除临时目录;失败则保留并报告路径。
适用场景与限制:适合已有成稿的双人讨论、访谈、新闻汇总、单人叙述等形态。TTS 单次上限 4096 字符,超过 3500 字符需分段;脚本超过 15k 字符告警、25k 字符终止;TTS 阶段总超时 15 分钟、最多 30 次调用。模型或格式不可用时需全局回退并重映射音色,不可混用模型。音乐与氛围音需从 Pixabay、Freesound、Mixkit 等免费来源下载,下载失败时可退化为纯语音并提示用户。具体音色表现、价格与效果未在资料中提供。