AI 播客生成：多模态 AI 应用实战

Meepo

2026年1月25日

Download from GitHub AI 播客生成方案通过集成 MiniMax 多模态模型，实现从用户输入需求到播客成品的全流程自动化。 👉 在线体验

文本生成

播客脚本

语音合成

TTS 音频

语音克隆

自定义音色

文生图

播客封面

效果演示

核心特点

多种内容输入方式

支持话题文本、URL、PDF 三种方式输入，基于 BeautifulSoup 和 PyPDF2 进行网页和 PDF 的解析，提取文本内容作为 LLM 生成播客内容的依据。

灵活的音色选择

提供多种音色选择方案：使用预设的默认音色、输入 voice_id 选取自定义音色，或直接上传音频来复刻说话者的音色。

双主播对话生成

支持两个播音员角色，先分别生成各自的语句音频，再用 FFmpeg 将音频智能合并，形成自然的对话节奏。

自动生成播客封面

先用文本模型基于播客内容生成封面图制作的 prompt，再用该 prompt 生成精美的播客封面图。

快速上手

克隆仓库

git clone -b main https://github.com/MiniMax-OpenPlatform/minimax_aipodcast.git
cd minimax_aipodcast

安装依赖

安装 FFmpeg（用于音频处理）：

macOS
Windows/Linux

brew install ffmpeg

安装项目依赖：

pip install -r requirements.txt
cd frontend && npm install

一键启动

chmod +x start.sh  # 初次使用时执行
./start.sh

核心 API 详解

文本生成
语音合成
语音克隆
文生图

使用 MiniMax 文本模型生成播客内容脚本。

from openai import OpenAI

client = OpenAI(api_key=YOUR_API_KEY, base_url="https://api.minimaxi.com/v1")

response = client.chat.completions.create(
    model="MiniMax-M2.1",
    messages=[
        {"role": "system", "content": "你是一个专业的播客脚本编写助手。"},
        {"role": "user", "content": "<Your_Prompt>"}
    ]
)

script = response.choices[0].message.content

建议使用 OpenAI 兼容接口或 Anthropic 兼容接口。

使用 MiniMax Speech 2.6 模型生成播客音频。

import requests

response = requests.post(
    "https://api.minimaxi.com/v1/t2a_v2",
    headers={
        "Authorization": "Bearer YOUR_API_KEY",
        "Content-Type": "application/json"
    },
    json={
        "model": "speech-2.6-hd",
        "text": "您好，这是 MiniMax TTS 合成的语音。",
        "stream": False,
        "voice_setting": {
            "voice_id": "Chinese (Mandarin)_Gentle_Senior",
            "speed": 1,
            "emotion": "happy"
        },
        "audio_setting": {
            "sample_rate": 32000,
            "format": "mp3"
        }
    }
)

audio_hex = response.json()["data"]["audio"]

参数	说明
`model`	推荐 `speech-2.6-hd`
`voice_id`	系统预设或自定义音色 ID
`emotion`	情感参数：happy, sad, angry 等

上传参考音频，创建自定义音色。

import requests

# Step 1: 上传复刻音频
upload_resp = requests.post(
    "https://api.minimax.chat/v1/files/upload",
    headers={"Authorization": "Bearer YOUR_API_KEY"},
    files={'file': ('ref.wav', open('ref.wav', 'rb'), 'audio/wav')},
    data={'purpose': 'voice_clone'}
)
file_id = upload_resp.json()["file"]["file_id"]

# Step 2: 克隆音色
clone_resp = requests.post(
    "https://api.minimax.chat/v1/voice_clone",
    headers={
        "Authorization": "Bearer YOUR_API_KEY",
        "Content-Type": "application/json"
    },
    json={
        "file_id": file_id,
        "voice_id": "my_custom_voice",
        "model": "speech-02-turbo"
    }
)

参考音频要求：清晰人声，时长 10s-5min（建议 15 秒），支持 wav/mp3/m4a 格式。

生成精美的播客封面图。

import requests

response = requests.post(
    "https://api.minimaxi.com/v1/image_generation",
    headers={
        "Authorization": "Bearer YOUR_API_KEY",
        "Content-Type": "application/json"
    },
    json={
        "model": "image-01-live",
        "prompt": image_prompt,
        "aspect_ratio": "1:1",
        "response_format": "url",
        "style": {"style_type": "漫画", "style_weight": 1}
    }
)

image_url = response.json()["data"]["image_urls"][0]

返回图片的 URL 有效期为 24 小时，请及时下载保存。

实用技巧

场景	建议
音色试听	使用语音调试台试听并选择音色
模型选择	`speech-2.6-hd` 自然度最高；`speech-2.6-turbo` 生成速度快
语音克隆	上传音频时长建议 15 秒左右，效果更佳

应用拓展

多角色播客

支持多角色灵活对话，无固定发言顺序

实时信息增强

加入搜索能力，提供最新消息

多语言播客

接入翻译能力，生成多语言版本

情感控制

利用情感参数，丰富表现力

总结

本教程展示了如何使用 MiniMax 多模态 AI 能力构建完整的 AI 播客生成应用。通过集成文本生成、TTS 语音合成、语音克隆、文生图四大核心能力，实现了从用户输入到播客成品的全流程自动化。开发者可以基于本项目的架构思路，将 AI 能力组合成更多创新应用。

TTS API

语音合成接口

语音克隆

音色克隆接口

文生图

图像生成接口

Cookbook

文本生成

语音合成

语音克隆

文生图

效果演示

核心特点

快速上手

核心 API 详解

实用技巧

应用拓展

多角色播客

实时信息增强

多语言播客

情感控制

总结

相关资源

TTS API

语音克隆

文生图

Cookbook

文本生成

语音合成

语音克隆

文生图

​效果演示

​核心特点

​快速上手

​核心 API 详解

​实用技巧

​应用拓展

多角色播客

实时信息增强

多语言播客

情感控制

​总结

​相关资源

TTS API

语音克隆

文生图

效果演示

核心特点

快速上手

核心 API 详解

实用技巧

应用拓展

总结

相关资源