Podcast-Generierung

Podcast-Generierungs-Skill

Übersicht

Dieser Skill generiert hochwertiges Podcast-Audio aus Textinhalten. Der Workflow umfasst das Erstellen eines strukturierten JSON-Skripts (Konversationsdialog) und die Durchführung der Audio-Generierung mittels Text-zu-Sprache-Synthese.

Kernfunktionen

• Konvertieren beliebiger Textinhalte (Artikel, Berichte, Dokumentationen) in Podcast-Skripte
• Generieren natürlicher Zwei-Hoster-Konversationsdialoge (männlicher und weiblicher Host)
• Synthetisieren von Sprachaudio mittels Text-zu-Sprache
• Mischen von Audio-Chunks zu einer finalen Podcast-MP3-Datei
• Unterstützung für englische und chinesische Inhalte

Arbeitsablauf

Schritt 1: Anforderungen verstehen

Wenn ein Benutzer die Generierung eines Podcasts anfordert, ermitteln:

• Quellinhalt: Der Text/Artikel/Bericht, der in einen Podcast konvertiert werden soll
• Sprache: Englisch oder Chinesisch (basierend auf dem Inhalt)
• Ausgabeort: Wo der generierte Podcast gespeichert werden soll
• Sie müssen nicht den Ordner unter /mnt/user-data überprüfen

Schritt 2: Strukturiertes Skript-JSON erstellen

Erstellen Sie eine strukturierte JSON-Skriptdatei unter /mnt/user-data/workspace/ mit dem Namensmuster: {aussagekräftiger-name}-skript.json

Die JSON-Struktur:

{
  "locale": "en",
  "lines": [
    {"speaker": "male", "paragraph": "Dialogtext"},
    {"speaker": "female", "paragraph": "Dialogtext"}
  ]
}

Schritt 3: Generierung ausführen

Rufen Sie das Python-Skript auf:

python /mnt/skills/public/podcast-generation/scripts/generate.py \
  --script-file /mnt/user-data/workspace/skript-datei.json \
  --output-file /mnt/user-data/outputs/generierter-podcast.mp3 \
  --transcript-file /mnt/user-data/outputs/generierter-podcast-transkript.md

Parameter:

• --script-file: Absoluter Pfad zur JSON-Skriptdatei (erforderlich)
• --output-file: Absoluter Pfad zur MP3-Ausgabedatei (erforderlich)
• --transcript-file: Absoluter Pfad zur Transkript-Markdown-Datei (optional, aber empfohlen)

[!IMPORTANT]

• Führen Sie das Skript in einem vollständigen Aufruf aus. Teilen Sie den Workflow NICHT in separate Schritte auf.
• Das Skript behandelt alle TTS-API-Aufrufe und die Audio-Generierung intern.
• Lesen Sie die Python-Datei NICHT, rufen Sie sie einfach mit den Parametern auf.
• Fügen Sie immer --transcript-file hinzu, um ein lesbares Transkript für den Benutzer zu generieren.
• Der TTS-Anbieter und seine Nebenläufigkeit werden automatisch aus Umgebungsvariablen ausgewählt – Sie wählen oder justieren sie nicht.

Skript-JSON-Format

Die Skript-JSON-Datei muss dieser Struktur folgen:

{
  "title": "Die Geschichte der Künstlichen Intelligenz",
  "locale": "en",
  "lines": [
    {"speaker": "male", "paragraph": "Hallo Deer! Willkommen zurück zu einer weiteren Episode."},
    {"speaker": "female", "paragraph": "Hallo zusammen! Heute haben wir ein spannendes Thema zu besprechen."},
    {"speaker": "male", "paragraph": "Genau! Wir werden über ... sprechen."}
  ]
}

Felder:

• title: Titel der Podcast-Episode (optional, wird als Überschrift im Transkript verwendet)
• locale: Sprachcode – "en" für Englisch oder "zh" für Chinesisch
• lines: Array von Dialogzeilen
  • speaker: Entweder "male" (männlich) oder "female" (weiblich)
  • paragraph: Der Dialogtext für diesen Sprecher

Richtlinien zum Skriptschreiben

Beachten Sie beim Erstellen des Skript-JSONs diese Richtlinien:

Format-Anforderungen

• Nur zwei Hosts: männlich und weiblich, natürlich abwechselnd
• Ziel-Laufzeit: ca. 10 Minuten Dialog (ca. 40–60 Zeilen)
• Beginnen Sie mit dem männlichen Host, der eine Begrüßung mit „Hallo Deer“ spricht

Ton & Stil

• Natürlicher, konversationeller Dialog – wie zwei Freunde, die sich unterhalten
• Verwenden Sie lockere Ausdrücke und konversationelle Übergänge
• Vermeiden Sie übermäßig formelle Sprache oder akademischen Ton
• Fügen Sie Reaktionen, Nachfragen und natürliche Einwürfe ein

Inhaltsrichtlinien

• Häufiges Hin und Her zwischen den Hosts
• Halten Sie Sätze kurz und leicht verständlich, wenn sie gesprochen werden
• Nur Klartext – keine Markdown-Formatierung in der Ausgabe
• Übersetzen Sie technische Konzepte in zugängliche Sprache
• Keine mathematischen Formeln, Code oder komplexe Notationen
• Gestalten Sie Inhalte ansprechend und zugänglich für Audio-only-Hörer
• Schließen Sie Metainformationen wie Daten, Autorennamen oder Dokumentstruktur aus

Beispiel zur Podcast-Generierung

Benutzeranfrage: „Erstelle einen Podcast über die Geschichte der Künstlichen Intelligenz“

Schritt 1: Skriptdatei erstellen /mnt/user-data/workspace/ki-geschichte-skript.json:

{
  "title": "Die Geschichte der Künstlichen Intelligenz",
  "locale": "en",
  "lines": [
    {"speaker": "male", "paragraph": "Hallo Deer! Willkommen zurück zu einer weiteren faszinierenden Episode. Heute tauchen wir in etwas ein, das buchstäblich unsere Zukunft gestaltet – die Geschichte der künstlichen Intelligenz."},
    {"speaker": "female", "paragraph": "Oh, ich liebe dieses Thema! Weißt du, KI fühlt sich so modern an, aber sie hat tatsächlich Wurzeln, die über siebzig Jahre zurückreichen."},
    {"speaker": "male", "paragraph": "Genau! Alles begann in den 1950er Jahren. Der Begriff künstliche Intelligenz wurde tatsächlich von John McCarthy im Jahr 1956 auf einer berühmten Konferenz in Dartmouth geprägt."},
    {"speaker": "female", "paragraph": "Moment, sie dachten also schon damals über Maschinen nach, die denken können? Das ist unglaublich!"},
    {"speaker": "male", "paragraph": "Stimmt? Die frühen Pioniere waren so optimistisch. Sie dachten, wir hätten innerhalb einer Generation KI auf menschlichem Niveau."},
    {"speaker": "female", "paragraph": "Aber so ganz hat das nicht geklappt, oder?"},
    {"speaker": "male", "paragraph": "Nein, überhaupt nicht. Die 1970er Jahre brachten den sogenannten ersten KI-Winter..."}
  ]
}

Schritt 2: Generierung ausführen:

python /mnt/skills/public/podcast-generation/scripts/generate.py \
  --script-file /mnt/user-data/workspace/ki-geschichte-skript.json \
  --output-file /mnt/user-data/outputs/ki-geschichte-podcast.mp3 \
  --transcript-file /mnt/user-data/outputs/ki-geschichte-transkript.md

Dies generiert:

• ki-geschichte-podcast.mp3: Die Audio-Podcast-Datei
• ki-geschichte-transkript.md: Ein lesbares Markdown-Transkript des Podcasts

Spezifische Vorlagen

Lesen Sie die folgende Vorlagendatei nur, wenn sie mit der Benutzeranfrage übereinstimmt.

• Tech-Erklärer – Zur Konvertierung von technischen Dokumentationen und Tutorials

Ausgabeformat

Der generierte Podcast folgt dem „Hello Deer“-Format:

• Zwei Hosts: ein männlicher, ein weiblicher
• Natürlicher konversationeller Dialog
• Beginnt mit der Begrüßung „Hallo Deer“
• Ziel-Laufzeit: ca. 10 Minuten
• Abwechselnde Sprecher für einen ansprechenden Ablauf

Ausgabehandhabung

Nach der Generierung:

• Podcasts und Transkripte werden in /mnt/user-data/outputs/ gespeichert
• Teilen Sie sowohl die Podcast-MP3 als auch das Transkript-MD mit dem Benutzer mithilfe des Tools present_files
• Geben Sie eine kurze Beschreibung des Generierungsergebnisses an (Thema, Dauer, Hosts)
• Bieten Sie an, neu zu generieren, falls Anpassungen erforderlich sind

Anforderungen

Die folgenden Umgebungsvariablen müssen gesetzt sein:

• Für Volcengine: VOLCENGINE_TTS_APPID und VOLCENGINE_TTS_ACCESS_TOKEN
• Für MiniMax: MINIMAX_API_KEY
• VOLCENGINE_TTS_CLUSTER: Volcengine TTS-Cluster (optional, standardmäßig „volcano_tts“)

Hinweise

• Führen Sie die gesamte Pipeline immer in einem Aufruf aus – keine Notwendigkeit, einzelne Schritte zu testen oder sich über Zeitüberschreitungen Gedanken zu machen
• Das Skript-JSON sollte mit der Inhaltssprache übereinstimmen (en oder zh)
• Technische Inhalte sollten im Skript für die Audiozugänglichkeit vereinfacht werden
• Komplexe Notationen (Formeln, Code) sollten im Skript in einfache Sprache übersetzt werden
• Lange Inhalte können zu längeren Podcasts führen

Anbieter (Volcengine / MiniMax)

Automatisch ausgewählt durch Umgebungsvariablen:

• VOLCENGINE_TTS_APPID + VOLCENGINE_TTS_ACCESS_TOKEN gesetzt → Volcengine TTS (Standard).
• Nur MINIMAX_API_KEY gesetzt → MiniMax TTS (/v1/t2a_v2).
• Erzwingen mit PODCAST_GENERATION_PROVIDER=volcengine|minimax.

MiniMax-Überschreibungen: MINIMAX_API_HOST (Standard https://api.minimaxi.com), MINIMAX_TTS_MODEL (Standard speech-2.6-hd), MINIMAX_TTS_VOICE_MALE (Standard male-qn-qingse), MINIMAX_TTS_VOICE_FEMALE (Standard female-tianmei).

Die Nebenläufigkeit wird intern von jedem Anbieter gesteuert – MiniMax läuft single-threaded, um Rate-Limit-Fehler zu reduzieren, Volcengine verwendet 4 Worker. Es gibt keinen anruferseitigen Nebenläufigkeitsknopf; vorübergehende Ratenbegrenzungen werden durch automatische Wiederholungen mit Backoff behandelt.