本地 AI 播客生成 + TTS 语音克隆系统（Apple Silicon only）。包含完整可运行的 TTS 引擎代码和参考音频。当用户提到播客、podcast、圆桌派、roundtable、做一期节目、生成音频、TTS、语音合成、voice clone、把文章变成语音、读一下这段话、有声书、做个音频节目时触发。也适用于调试 TTS 质量、管理播客输出等场景。
Apple Silicon only (M1/M2/M3/M4)。mlx 不支持 Intel Mac 或 Linux。
本地中文双人对话式播客生成系统（圆桌派风格）。两位主持人交替发言，自动分配左右声道，生成有临场感的播客音频。包含完整可运行的 TTS 引擎和参考音频，开箱即用。
核心能力：
assets/voices/），装好依赖即可直接跑性能参考（M4 芯片）：
podcast-generator/
├── SKILL.md # 本文件
├── scripts/
│ ├── podcast_tts.py # 播客 TTS 入口（可配置 voice/model）
│ ├── tts-clone.sh # 独立单句 TTS（bash 脚本）
│ └── loqui_tts/ # TTS 核心引擎库
│ ├── __init__.py
│ ├── config.py # TTSConfig / VoiceConfig
│ ├── chunker.py # 文本清理 + 按句断 chunk
│ ├── dialogue.py # 【角色】标记解析
│ └── engine.py # 进程隔离 worker + 质量检测 + 合并
├── assets/voices/
│ ├── host_female_10s.wav # 女声参考音频（10s, 24kHz mono）
│ └── host_male_12s.wav # 男声参考音频（12s, 24kHz mono）
└── references/
├── tts-module.md # TTS 详细文档（Server API、ASR、缓存）
├── data-sources.md # 数据源板块详情
└── troubleshooting.md # 故障排查
只需 3 步，复制粘贴即可：
# Step 1: 安装依赖（约 1 分钟）
pip3.12 install mlx mlx-audio numpy soundfile pydub pyloudnorm pyyaml
brew install ffmpeg # 如果没装过
# Step 2: 写一个最简脚本
cat > /tmp/demo.txt << 'EOF'
【Host_A】今天我们来聊一个特别有意思的话题，就是AI到底能不能取代程序员。
【Host_B】这个问题太好了，我觉得短期内肯定不行，但长期来看变化会很大。
【Host_A】对，但你让AI从零设计一个分布式系统，它还是会犯一些很基础的错误。
EOF
# Step 3: 生成播客（首次运行自动下载模型 ~800MB）
cd <skill-path>/scripts
python3.12 podcast_tts.py /tmp/demo.txt /tmp/demo_podcast.mp3
# 完成后用 open /tmp/demo_podcast.mp3 播放
cd <skill-path>/scripts
bash tts-clone.sh "今天天气不错" /tmp/hello.mp3
TTS_VOICE=host_male bash tts-clone.sh "大家好" /tmp/greeting.mp3
脚本格式：UTF-8 编码，【角色】标记，每段建议 100-300 字。角色名必须和 podcast_tts.py 中 build_voices() 的 key 一致（默认 Host_A / Host_B）。
python3.12 podcast_tts.py script.txt podcast.mp3 [--enable-asr] [--voices-dir /path/to/voices]
准备自己的参考音频（10-30s WAV，安静环境，24kHz mono），两种方式：
快速方式（tts-clone.sh + 环境变量）：
TTS_VOICE=my_voice TTS_REF_TEXT="参考音频的文字内容" \
VOICES_DIR=/path/to/voices bash tts-clone.sh "你好" output.mp3
永久方式（编辑 podcast_tts.py）：在 build_voices() 函数中添加新声音配置。
| 组件 | 技术 | 可替换 |
|---|---|---|
| TTS 模型 | Qwen3-TTS-12Hz-0.6B-Base-8bit (mlx) | 改 MODEL_ID，可选 mlx-community TTS 模型 |
| ASR 模型 | Qwen3-ASR-0.6B-8bit (mlx) | 改 ASR_MODEL_ID，或禁用 |
| 音频处理 | numpy + soundfile + pyloudnorm | — |
| 编码 | ffmpeg (WAV → MP3) | — |
| Python | 3.12（mlx 依赖 3.12 C API） | 不可替换 |
关于脚本生成：本 skill 只包含 TTS 引擎，不包含脚本生成（LLM 对话编写）。脚本生成依赖 LLM（Claude / GPT / MiniMax / Qwen 等均可），用任何 LLM 生成 【Host_A】...【Host_B】... 格式的双人对话脚本即可。经过实战验证的提示词模板见 references/script-prompt.md，包含 system prompt、user prompt 模板、字数时长对照表和分批策略。
可配置的包装层，定义 voice 配置后调用 loqui_tts 引擎。用户主要编辑这个文件：
build_voices() — 添加/修改声音DISPLAY_NAMES — 真名 → 昵称映射（防止 TTS 读出真名）VOICE_PAN — 立体声左右声道分配MODEL_ID — 切换 TTS 模型进程隔离 worker 架构：模型在子进程加载一次，主进程通过 stdin/stdout JSON 通信。这样设计是因为 mlx 模型加载后无法释放内存，子进程退出时 OS 自动回收。
质量检测 4 层：
--enable-asr）高级音频合并：
不依赖 loqui_tts，直接加载 mlx 模型推理。内置 ASR 质量回检。适合一次性调用，批量场景建议用 podcast_tts.py（模型只加载一次）。
TTS 必须串行运行。Apple Silicon 统一内存架构下，并行 TTS 会导致 GPU 争抢，音频抖动断裂，ASR 相似度骤降。一期做完再做下一期。
python3.14 不兼容。mlx 编译依赖 3.12 的 C API，3.14 改了 ABI。必须用 python3.12。
assets/voices/ 已内置两个参考音频，可直接使用。添加自己的声音时：
详见 references/troubleshooting.md。常见问题：
| 症状 | 修复 |
|---|---|
| TTS 超时 | 重新运行，断点续传自动恢复 |
| 音频质量差 | 检查参考音频质量 + 确认无并行 TTS |
| python3.12 找不到 | brew install [email protected] |
| ffmpeg 找不到 | brew install ffmpeg |
| 模型下载慢 | HF_ENDPOINT=https://hf-mirror.com 设置镜像 |
| 文件 | 何时读取 |
|---|---|
references/script-prompt.md | 用 LLM 生成播客脚本的提示词模板（首次使用必读） |
references/tts-module.md | TTS Server HTTP API、ASR 回检细节、缓存机制 |
references/data-sources.md | 每日日报板块配置（用于完整播客 pipeline） |
references/troubleshooting.md | 遇到故障时 |