AI 播客文档
本文档描述 WeLink 的 AI 播客功能：脚本生成、TTS 语音合成、以及如何接入第三方 / 自建兼容 OpenAI
/audio/speech协议的服务。
目录
播客功能概览
联系人详情页点「🎙 播客」按钮：AI 读取你和对方的聊天历史 → 写出一份双主持人（A/B）对话脚本 → 逐段调 TTS 合成语音 → 拼成 MP3 可下载分享。
默认 3 分钟时长，支持 5 分钟、10 分钟。脚本和音频都保存在本地，可重播。
两层架构：脚本 + 语音
| 层次 | 负责什么 | 用什么 provider |
|---|---|---|
| 脚本生成 | 把聊天历史变成自然对话稿，标注 A/B 角色 | 走全站主 AI 配置，任意 LLM 都行 |
| 语音合成 (TTS) | 把文字变成音频 | 只认 OpenAI /audio/speech 协议 |
两层独立配置，脚本用 Claude 写，语音用 SiliconFlow 合 —— 都行。
脚本生成：所有 LLM Provider 均可用
脚本生成复用全站主 AI 配置，设置 → AI 配置（分析模型）里选的 provider 就是播客用的：
- DeepSeek / Kimi / Gemini / GLM / Grok / MiniMax
- OpenAI / Claude
- Google Vertex AI / AWS Bedrock
- Ollama（本地）
- 自定义 OpenAI 兼容接口
如果同时配了多个 profile，播客界面可切换用哪一个生成脚本。
TTS 语音合成：OpenAI 协议兼容
后端实现上只支持 OpenAI 的 /audio/speech 端点。但这个协议已经是事实标准，许多第三方和自建服务都兼容，所以实际可选面很广。
配置位置：设置 → 播客 TTS 配置
需填 4 项：
Base URL：服务端点（不含/audio/speech后缀）API Key：该服务的密钥模型：服务端定义的模型名主持人 A / B 声音：服务端支持的 voice id
推荐服务一览
设置页已内置「快速填充」按钮，一键套用下列预设。
OpenAI 官方
- Base URL：
https://api.openai.com/v1 - 模型：
tts-1（标准）或tts-1-hd（高清） - 声音：
alloy/echo/onyx/fable/nova/shimmer - Key 获取：https://platform.openai.com/api-keys
- 特点：英文最佳，中文可接受；需海外付费账号
硅基流动 SiliconFlow
- Base URL：
https://api.siliconflow.cn/v1 - 模型：
FunAudioLLM/CosyVoice2-0.5B（推荐，中文效果最好） - 声音：
FunAudioLLM/CosyVoice2-0.5B:alex等（用模型:voiceId格式） - Key 获取：https://cloud.siliconflow.cn/account/ak
- 特点：国内友好，新注册送额度，CosyVoice 中文自然度极佳
自建 Edge-TTS 代理
通过 openai-edge-tts 等开源项目，把微软 Edge TTS 包装成 OpenAI 协议。
docker run -d --name edge-tts -p 5050:5050 travisvn/openai-edge-tts- Base URL：
http://localhost:5050/v1 - API Key：留空或
any - 模型：
tts-1 - 声音：
zh-CN-YunxiNeural/zh-CN-XiaoyiNeural/zh-CN-XiaoxiaoNeural/zh-CN-YunyangNeural等 - 特点：完全免费，无需注册，中文声音丰富（40+ 种）
其他兼容服务
- Fish Audio / ElevenLabs：通过第三方 OpenAI 兼容封装可接入
- 本地 Kokoro / GPT-SoVITS / XTTS：部署 OpenAI 协议 wrapper 后即可
- 火山引擎 / 阿里云：需要 OpenAI 协议转换层
只要该服务实现了 POST /audio/speech，请求体接受 {model, input, voice, response_format} 字段，响应返回 audio 二进制，就可以用。
配置示例
示例 1：OpenAI 脚本 + OpenAI 语音
设置 → AI 配置 → DeepSeek（国内快，写稿便宜） 设置 → 播客 TTS → OpenAI 官方（语音质量好）
示例 2：全本地离线
设置 → AI 配置 → Ollama（本地 LLM） 设置 → 播客 TTS → 自建 Edge-TTS（本地代理）
完全不依赖外部 API。
示例 3：国内成本最低
设置 → AI 配置 → DeepSeek（脚本） 设置 → 播客 TTS → 硅基流动（语音）
常见问题
Q：播客生成很慢？ A：脚本生成 10-20 秒，TTS 按段合成，3 分钟的播客大约 30-60 秒。TTS 服务响应速度 > LLM 响应速度。自建 Edge-TTS 最快，硅基流动次之，OpenAI 官方有时会慢。
Q：声音只能二选一吗？ A：目前双主持人 A/B 两种声音。如果你的服务支持更多 voice，填进设置即可。
Q：脚本里 A/B 角色错位怎么办？ A：可以在设置 → Prompts → 播客脚本 里自定义 prompt，明确角色分工。
Q：为什么不支持 Azure / 阿里云原生接口？ A：为了代码简洁，后端只实现 OpenAI 协议。这些服务通过 openai-compatible 代理层就能用，社区已有成熟方案。
Q：能否自己加声音预置？ A：设置页声音字段是 datalist 输入，可以填任意值（包括 CosyVoice 的长 voice id）。只要你的 TTS 服务认就行。