Реализация AI-генерации голосовых подкастов

Реализация AI-генерации голосовых подкастов

AI-генерация подкастов превращает текстовый контент (статьи, отчёты, новости) в готовые аудиовыпуски с натуральной речью и опциональным музыкальным оформлением. Подходит для изданий, корпоративных коммуникаций, образовательных платформ.

Pipeline генерации подкаста

from openai import AsyncOpenAI
from pydub import AudioSegment
import io

client = AsyncOpenAI()

class PodcastGenerator:
    def __init__(self):
        self.hosts = {
            "main": {"voice": "alloy", "style": "conversational"},
            "expert": {"voice": "nova", "style": "analytical"},
        }

    async def generate_podcast_from_article(
        self,
        article: str,
        title: str,
        duration_target: int = 5  # минут
    ) -> bytes:
        # 1. Трансформируем статью в разговорный скрипт
        script = await self.create_podcast_script(article, title, duration_target)

        # 2. Синтезируем каждую реплику
        audio_segments = []
        for segment in script["segments"]:
            host = self.hosts[segment["speaker"]]
            audio = await self.synthesize_segment(
                text=segment["text"],
                voice=host["voice"]
            )
            audio_segments.append((audio, segment.get("pause_after_ms", 300)))

        # 3. Монтируем
        return self.assemble_podcast(audio_segments)

    async def create_podcast_script(
        self,
        article: str,
        title: str,
        duration_target: int
    ) -> dict:
        word_count = duration_target * 130  # ~130 слов/мин в подкасте

        response = await client.chat.completions.create(
            model="gpt-4o",
            messages=[{
                "role": "system",
                "content": f"""Преврати статью в разговорный подкаст-скрипт.
                Целевой хронометраж: {duration_target} минут (~{word_count} слов).
                Структура: вступление (ведущий main), основная часть, выводы.
                Стиль: разговорный, без канцелярита, как живой разговор.
                Верни JSON: {{"title": "...", "segments": [{{"speaker": "main|expert", "text": "..."}}]}}"""
            }, {
                "role": "user",
                "content": f"Тема: {title}\n\nСтатья:\n{article[:4000]}"
            }],
            response_format={"type": "json_object"}
        )
        return json.loads(response.choices[0].message.content)

    async def synthesize_segment(self, text: str, voice: str) -> bytes:
        response = await client.audio.speech.create(
            model="tts-1-hd",
            voice=voice,
            input=text,
            response_format="mp3"
        )
        return response.content

    def assemble_podcast(
        self,
        segments: list[tuple[bytes, int]],
        intro_jingle: bytes = None
    ) -> bytes:
        combined = AudioSegment.empty()

        if intro_jingle:
            combined += AudioSegment.from_mp3(io.BytesIO(intro_jingle))

        for audio_bytes, pause_ms in segments:
            segment = AudioSegment.from_mp3(io.BytesIO(audio_bytes))
            combined += segment
            combined += AudioSegment.silent(duration=pause_ms)

        output = io.BytesIO()
        combined.export(output, format="mp3", bitrate="128k")
        return output.getvalue()

Форматы и применение

Сроки: генератор подкастов из статей — 1–2 недели. Автоматизированный pipeline с расписанием — 3–4 недели.