AI播客生成

技能简介

基于Azure OpenAI GPT Realtime Mini模型的全栈播客生成方案，通过WebSocket连接实现文本到实时音频流的转换，支持React前端与Python FastAPI后端协同工作。

能做什么

• 将文本内容转换为自然语音的播客风格音频
• 通过WebSocket流式接收音频片段与转录文本
• 支持6种预设音色（alloy、echo、fable等）
• 输出标准WAV格式供浏览器直接播放
• 构建完整的文本转语音应用功能模块

使用说明

环境配置

1. 获取Azure OpenAI Realtime API密钥与端点
2. 创建.env文件，填入以下变量：
   AZURE_OPENAI_AUDIO_API_KEY=your_realtime_api_key
AZURE_OPENAI_AUDIO_ENDPOINT=https://your-resource.cognitiveservices.azure.com
AZURE_OPENAI_AUDIO_DEPLOYMENT=gpt-realtime-mini
   注意：端点只需基础URL，无需包含/openai/v1/

后端部署

3. 安装依赖：pip install openai fastapi uvicorn
4. 运行FastAPI服务，实现WebSocket音频生成逻辑（参考readme中的AsyncOpenAI代码示例）

前端集成

5. React项目调用后端API获取base64编码的WAV音频
6. 使用提供的base64ToBlob函数转换为可播放音频对象

输入与输出

见下方输入与输出表格。

风险提示

• Realtime API按使用量计费，需监控调用成本
• WebSocket连接需处理网络中断与重连机制
• 音频生成存在延迟，不适合极低延迟场景
• 需自行实现PCM到WAV的格式转换（提供参考脚本）
• API密钥需妥善保管，避免前端暴露

来源信息

原始链接：https://github.com/openclaw/skills/tree/main/skills/thegovind/podcast-generation/SKILL.md
来源类型：GitHub仓库