火山引擎豆包语音播客

基于火山引擎 PodcastTTS 的 Python 脚本：输入主题文本后经自定义 WebSocket 协议流式接收音频，自动合成含片头/片尾音乐的双人对话播客，支持音色、语速、音量归一化、淡入淡出与断点续传重试，返回音频文件路径、对话文本与用量信息。

cindypapa

热度 52.05

最近更新 2026-05-11 17:44:47

分类：创作依赖：代码执行 / 第三方 API / 读写文件应用场景：故事创作 / API 集成 / 自动化脚本

安装技能

复制下面的话术发给你的 Agent，它会通过 secure-skills 检索并安装该技能。

执行命令安装此 skill： npx secure-skills-cli add volcano-engine-podcast

Metadata

name: volcano-engine-podcast
description: 生成火山引擎豆包语音播客（PodcastTTS）。输入主题文本，自动生成双人对话式播客音频。
version: 1.1.0
author: xiaohe
license: MIT
metadata: {"hermes":{"tags":["audio","podcast","tts","volcengine","doubao","语音播客"]}}

火山引擎豆包语音播客生成

基于火山引擎 PodcastTTS API，输入主题文本，AI 自动生成双人对话播客音频（含片头音乐、多轮对话、片尾结束）。

前提条件

Python >= 3.9
安装 websockets>=14.0
火山引擎账号已开通 PodcastTTS 服务

快速开始

1. 环境变量配置（推荐）

export VOLC_APPID="your_appid"
export VOLC_ACCESS_TOKEN="your_access_token"
export VOLC_APP_KEY="your_app_key"  # 可选，默认 aGjiRDfUWi

2. 命令行调用

python scripts/generate_podcast.py "Hermes和OpenClaw怎么选"

3. Python 代码调用

import asyncio
from scripts.generate_podcast import PodcastGenerator

async def main():
    gen = PodcastGenerator(
        appid="3398567544",
        access_token="your_token",
    )
    result = await gen.generate(
        text="今天来聊聊AI编程助手",
        output_dir="./output",
        encoding="mp3",
        use_head_music=True,
    )
    print(result["final_files"])  # 输出音频路径列表

asyncio.run(main())

参数说明

PodcastGenerator 初始化参数

参数	类型	必填	默认值	说明
appid	str	是	-	应用 ID
access_token	str	是	-	Access Token
app_key	str	否	aGjiRDfUWi	App Key
resource_id	str	否	volc.service_type.10050	资源 ID
endpoint	str	否	wss://openspeech...	WebSocket 端点

generate() 方法参数

参数	类型	默认	说明
text	str	必填	输入主题文本
output_dir	str	output	输出目录
encoding	str	mp3	音频格式: mp3/wav/pcm
use_head_music	bool	True	是否加片头音乐
use_tail_music	bool	False	是否加片尾音乐
only_nlp_text	bool	False	只生成文本不生成音频
return_audio_url	bool	False	返回音频URL而非流式
speaker_info	dict	{"random_order":False}	说话人配置
speech_rate	int	0	语速
skip_round_audio_save	bool	False	跳过分段保存
voice_type	str	None	音色类型: `zh_male` / `zh_female` / `multi`
normalize_audio	bool	False	是否对音频进行音量归一化
fade_in_out	bool	False	是否添加淡入淡出效果

音色选择 (voice_type)

值	说明
None	默认，AI 自动分配
zh_male	中文男声
zh_female	中文女声
multi	多人对话模式

返回结果

{
    "success": True,
    "output_dir": "/abs/path/to/output",
    "segment_files": ["output/head_music_-1.mp3", "output/zh_female_0.mp3", ...],
    "final_files": ["output/podcast_final_1234567890.mp3"],
    "duration": 164.51,
    "texts": [
        {"text": "今天这期...", "speaker": "zh_female_mizaitongxue_v2_saturn_bigtts"},
        ...
    ],
    "usage": {"input_text_tokens": 0, "output_audio_tokens": 2800, "total_tokens": 2800}
}

CLI 参数

python scripts/generate_podcast.py "主题文本" \
    -o ./output \
    -f mp3 \
    --no-head-music \
    --tail-music \
    --only-text \
    --voice-type zh_female \
    --normalize \
    --fade \
    --appid YOUR_APPID \
    --token YOUR_TOKEN \
    -v

技术说明

协议: 自定义二进制 WebSocket 协议（封装在 protocols.py 中）
流式下发: 音频以 4~10KB 分片实时流式下发
断点续传: 支持从中断轮次自动重试
音频合并: 自动合并所有分段为完整音频
音频后处理: 支持音量归一化（peak -1dB）和淡入淡出（0.5s）

注意事项

Access Token 需从火山引擎控制台获取
每次调用消耗相应的 audio token
音频采样率固定为 24kHz
对话角色由 AI 自动分配（通常为一男一女双人对话）
音色选择 voice_type 为提示性参数，最终音色由服务端根据内容智能匹配