播客，下一个 AI 涌入的赛道

今年三月，Suno V3 突然冒出来，像是 AI 圈的一声惊雷。不仅叫醒了万物，也让那句“人人都能成为音乐家”的口号突然变得接地气起来——大众对生成式 AI 的热情，被彻底点燃了。 这一下，石头激起了千层浪。生产端这边，有人抢前抓点，赶紧套壳 Suno 先跑一步；也有人闷头搞自研模型，一夜之间，上百款 AI 音乐生成工具冒了出来。消费端就更热闹了，几十万人涌进网易云音乐、QQ 音乐这些平台，注册成为“音乐人”，创作和发布乐此不疲。 翻翻社交媒体，到处都是这样的帖子：“这套工作流，批量产出优质 AI 歌曲”，“秒过音乐人申请教程”，“分享我用 AI 音乐赚来的创作收益”……说实话，AI 现在搞出来的音乐，离“如听仙乐耳暂明”还差得远。有些内容也是真多，供过于求，听多了难免觉得腻味。但得承认，它生成的质量评分，已经远超大众的平均水平。在某些场景下的应用价值和创造性价值，绝对不该被忽视。 面对来势汹汹的 AI 音乐，网易云、QQ音乐这些平台也没闲着，专门开放了 AI 音乐专区，积极应对。 这一两年，AI 的火从文字烧到图片，又烧到视频、音乐……现在，轮到播客了。 其实用 AI 做播客这件事，这几年一直有人在摸索。但最近大家的热情，被谷歌一款产品的新功能彻底点燃了。 **NotebookLM**，一款 2023 年 9 月上线的 AI 笔记产品，靠着最新的文本生成播客功能突然走红。这可不是简单的 TTS（文本转语音），它能把你上传的任何资料，都转化成轻松愉快的双人对话播客，效果逼真到让人怀疑是不是真人在聊。 Andrej Karpathy 大佬就认为，NotebookLM 是当前非常引人注目的产品形态，甚至有几分当年 ChatGPT 的英姿。墨问西东的创始人老池也感叹，NotebookLM 是新一代的笔记产品，AI 生成的内容质量确实不错。 其实，谷歌之前还捣鼓过一个叫 **Illuminate** 的东西，专门把学术论文和书籍生成通俗易懂的播客形式，尤其在计算机科学领域做了大量优化。这个产品最早亮相于今年五月的 Google I/O 大会，现在已经对公众开放访问了。如果想要自定义生成，还得申请一下，不过审核速度倒挺快。 犹记得当年没毕业的时候，啃那些难啃的人工智能领域论文，还得跟着李沐老师的视频一点一点学。现在呢？两位配合默契的 AI 老师，就能把你需要的要点娓娓道来。 AI 播客在国内没有大规模爆发，说到底还是缺那么个像样的中文产品——但这只是时间问题。几个月前，有团队就尝试开发 Agent 来实现类似效果，整个流程不算复杂，但如果想达到稳定逼真的效果，还是需要一些工程上的优化手段。大致思路是：把文件里的纯文本提取出来，喂给大模型，让它分段处理并结构化输出，然后分别用 TTS 合成，最后再拼起来。 这里面，关键的三部分包括： 1. **提示词技巧**：需要把输入文本转化成既好懂又有干货的双人对话内容，直接决定内容价值，控制不好就容易泛泛而谈，或者听着太干巴。 2. **底层模型能力**：包括指令遵循和结构化输出能力，要是没严格按 JSON 格式输出，语音合成就无法启动。 3. **语音合成技术**：TTS 的效果直接影响最终体验。只有用上逼真的中文模型，才能让人有听下去的欲望。