有没有想过，将偶然看到的一段材料、抑或是采集到的一段音频生成对谈形式的播客，通过对谈的形式，来了解这个话题要不要深入。这听起来就很兴奋不是。这个场景，刚好命中了现代人的FOMO（Fear of missing out）害怕错过的心理情绪。
当下的很多AI产品思路都是如此，但做得好的不多。谷歌出品的NotebookLM是产品中的代表。最近新火起来的AI自媒体主播也是如此。通过信息过滤压缩，再配以“有趣”的对谈或是快节奏的音乐和视频剪辑，就实现了一次对用户大脑的安抚。
作者在整个五月，利用NotebookLM以及相关工具，创作出了23段播客节目，并为这个系列节目命名为“硅基奇谈”。这些节目发布到小宇宙、抖音、B站、视频号、油管等平台，为作者带来了近百粉丝。本期内容，作者就跟大家分享：这些内容是如何生产出来的，将会为我们带来什么样的机遇，以及如何避免常见错误。
NotebookLM 介绍
NotebookLM并不是一个新产品，它最早推出在2023年。不过最近的几次迭代，让它有了很多可玩性。最最重要的，是增加了中文语音。在早期，主要还是英文对谈。这个产品可以将用户上传的pdf文件、各种资料、链接，生成摘要汇总。再通过思维导图、播客等形式，实现内容的二级汇总输出。
目前该产品的体验独一档，虽然有非常多的同类追赶者，但谷歌Gemini的模型加持下，外加播客本身的提示词做的很好，出来的播客内容很自然。感兴趣的朋友，可以直接来我的播客链接体验看看：https://namecard.xiaoyuzhoufm.com/xd4lk 。 没有小宇宙的朋友，也可以在常用音乐软件上搜索：硅基奇谈。
当然，它也有自身的缺点。第一个大缺点就是对CN地区不开放。第二个缺点是播客的中文读音，部分读音有问题，估计是训练语料的问题。第二个问题，可以静待PlayDiffusion这类修音技术的完善，实现DIY 修音。
第三个大问题，就是它只做到了音频这一步，并未涉及到视频这一更大的消费市场。不过也能想到，播客在欧美的普及程度远高于国内，先拿下这个市场。视频的生成，无论是技术还是资源消耗，目前都存在瓶颈。就这点上，作者做了个曲线救国方法：通过音频的可视化，生成视频“代餐”。这样就多了N个视频平台传播机会。
资料前期准备
整个流程中，资料的准备是重中之重。在初期，作者选择用自己熟悉的内容。选取了在更早时期，阅读积攒下的关于技术职场的内容、以及在4月所做的AI陪伴硬件访谈，作为素材。
整体来说，资料的多样化越高越好、越贴近生活越好。反之的代表则是一些PR稿件，看起来说了很多东西，实际上过完AI，信息锐减。即使现在有了大模型的协助，在茫茫资料中找到真正信息密度高的内容，也并非一件容易事。
更多情况下，是信息爆炸。每天的信息流中，每个小窗口都是一个可能的信息资料。这里作者采用的方法是分层、保护当前的工作流。很多东西都想做，不代表每件事都值得做。有趣但是时间资源不足的内容，将会把它放在下一期的内容池中。以此来保护工作流，减少半成品，提高交付效率。
资料准备就讲究一个从自身出发：自身要感兴趣，受众才会也感兴趣。如果自身都没兴致，那么批量生产出来的，只会是垃圾内容。除开这点，做好内容的短中期储备也很关键，能够保证内容持续生产。将浮夸、无实物表演的内容去掉，并放置在内容池中，既能保证素材不断，又能保证当下工作流不被打断。
资料的处理
一般而言，PDF的资料相对友好，可以直接上传平台。但是部分场合下，也会遇到其他格式的内容。比如音频、或者Epub格式的电子资料。音频可以直接上传让谷歌解析，也可以采用本地whisper。实践表明，本地的whisper效果会更胜一筹。当然，两者目前都无法做到区分说话人。（whisper可以，但需要额外的一些处理）。
whisper-ctranslate2 voice.mp3 --model medium --language zh
至于Epub，作者采用的如下工具：
pandoc mybook.epub -o mybook.pdf --pdf-engine=xelatex -V CJKmainfont="PingFang SC"
补充个题外话，如果是PDF需要转成文字，强烈推荐markItdown。非常方便就能将一份PDF转换成可编辑的markdown，而后者是大模型较为通用的输入输出格式。
markitdown document.pdf > document.md
以上均为命令行脚本，实测好用。
音频生成
在使用播客生成功能的时候，也有技巧可循。NotebookLM很多时候生成的内容比较生硬直白，尽管谷歌已经有过优化，但是钩子的设计力度还是偏低。为此，作者也测试了几组。形成了下面的提示词：
整体设计目标：要让用户有获得感，包括但不限于生产力提升、掌握最新内容、快速上手、想要动手尝试等，面向的受众是偏向技术的人群，但是又要保证能够在普罗大众中获得传播。
开篇要有自我介绍，外加引子，激发听众兴趣。
开篇要有：欢迎来到谷粒粒的节目《硅基奇谈》！在这里，我们以对谈的形式，探索和解读世界。
接着要有一个对话大纲，简单扼要说明有哪几个部分。
结束需要钩子，促成受众行动。
结束要有：感谢和我们一起讨论上述话题，也请留下你的观点。如果内容有帮助，欢迎点赞收藏。更多精彩内容，还请关注我们的账号。下期我们接着聊。
内容中，不要提及“你”、“报告”等词。让整个对话，更像是一个专家对话，而不是照本宣科。其他的敏感内容或者类似PR的内容，也应该模糊处理。
内容中，应该关注更多的技术细节和关键词，忽略掉那些出于公关目的、浮夸的、不切实际的外行人幻想的内容。整体要求务实，必要时提出批判性问题，而不是全盘接受资料中的内容。
完成以上设计后，将内容中的最精彩内容，放在最开头重复一遍，用于吸引用户在信息流中停留，导入我们的内容。要求尽可能简短，能够吊起受众的兴趣。
这样的好处是第一能够在开篇生成钩子，吸引用户的注意力，正如我在文章开头做的一样。其次是在前半部分形成重复，用户会对这个品牌形成印象。最后是总结提问。当然，其中也有一些关于结构化思考和安全隐私的约束。
通过上述方法的调教处理，音频基本上可以拿来直接使用，用作播客的音源。
播客工作流
在发布播客的过程中，好的播客内容一般都会附带时点，也就几份几秒讲了什么内容。这部份内容非常适合whisper工具叠加大模型来做。whisper能够生成音频的带时间戳内容，时间戳内容再丢给大模型，基本上就OK了。
当然，因为下一步有视频字幕呈现给用户，所以前面加了一个字幕修正的任务，确保ASR模型出来的字是基本正确的。
利用下面的提示词减少幻听、空耳和前后不一致：
这是一份whisper语音转文字的内容，因为是ASR模型转的，所以存在一些问题。请帮助修正的同时，不改变原来的意思，使其能够作为字幕，让观众看到的和听到的一致。
* "请检查是否有明显的错别字，有标点则用空格替换。”
* "检查字幕内容是否通顺，是否存在逻辑不连贯或难以理解的句子。"
* "注意检查字幕中提到的专有名词、人名、地名、品牌名、技术术语是否准确无误且统一。"
* "请留意是否有听起来像A但实际应该是B的词语’。"
做出上述修改
然后是播客的时点
概括总结这份报告的时点，用于播客
00:00 - 00:37 xxx 这个格式
简洁一些
最后，标题生成部分
根据上述内容，结合可能的用户痛点，生成标题。要求：要让用户有获得感，包括但不限于生产力提升、快速掌握最新内容、想要动手尝试等。常见标题： 对比vs、Top【N】、最佳【数字】等。控制在30字以内。
别看标题生成部分的提示词很短，但它能带来实际上的流量提升。一方面是引导模型关注用户的心理诉求，另一方面是加入了常见的爆款标题引导。最后，受限于部分平台的标题字数要求，进行了长度控制。
播客语音文本总结这块儿，算是一个比较好的AI落地场景，ASR+LLM是能真提高生产效率。
视频工作流
对于播客来说，基本到这里就算完工了。但由于播客在国内的受众相对较小，视频平台又是一个大的流量分发机器，所以视频化也是重要一环。
视频化，初期的想法是通过脚本，去构建图片库。但实践下来发现，计算效率十分低下。作者选择的内容，不像影视解说天然自带视频，也不像搞笑类或者财经类，能够放表情包、放材料中的图片。好在音频本身就有携带信息，那就是音频本身的频谱特性。
通过上传音频并将之可视化，便是其中的典型思路。这里作者借鉴了开源项目，一个使用three.js开发的音频可视化工具。原始的版本仅能够根据声音，做出响应的反应。无法支持字幕，形状也怪怪的。作者拉取进行了二次开发。增加了一个喇叭粒子特效，能够更加形象地可视化音频。二是增加字幕上传功能，使得用户能够直接实时同步字幕。地址：https://av.kuhungio.me/
上传音频和解析出来的字幕后，即可在网站上获得语音的可视化效果。这个时候结合录屏工具screenity，即可获得屏幕上的图像和音频，实现最终的视觉化。
工作到这里并没有结束。还有相当大的一段时间，作者是在和各种比例的封面图生成斗智斗勇。对于高频次的内容输出和文字内容为主的内容来说，剪映的工具并不友好。最后，作者通过前端技术，部署一个自定义的界面。通过这种方式，提高了封面图的制作效率，能够一次性生成3种比例的封面图。封面自定义：https://cover-editor.vercel.app/
其他的斗智斗勇，也包括因为生成的视频高达1G，抖音网页版因此而崩溃。在我节目信息复制输入到一半的时候，得抢着时间提交。也包括视频号，上传的3:4不用，非要二次剪裁作者的封面（摔）。总之就是，各个平台有各个平台的小毛病。综合下来，B站和油管，算是相对用户友好的上传平台。
总结与展望
整个流程，我们涉及到选题、资料整理、影视片处理、后期传播优化等多个环节。再这么跑了20来次后，作者额外获得粉丝近百。差点儿成为百大UP主，现在算是半个白搭UP主。
我将其中的原因归结为以下几点：
- 垂直度不够，用户无法弄清楚你想做什么、平台推荐模型也无法搞清楚该推给什么人。没有稳定的内容生成预期，就很难产生受众的粘性，自然无法带来关注、扩圈的正向循环。
- 没有联结感，躲在AI背后的人，受众自动会带入到其他AI工具里。无论你生成的是文字内容、音频内容，还是视频内容，没有和观众形成互动的内容，都非常具备可替代性。
- 最后也包含：视觉效果不佳、有趣程度不够等原因。即使你讲了些很宽泛的内容，动辄近10分钟的内容，也很难激起受众的FOMO心理，心理安抚更是聊胜于无。
本流程是一个由新技术催生的尝试，也是众多AI落地应用案例中能够相对较快落地的一种。在技术的加持下，作者跨过了网络障碍、优化了不少提示词，形成了相对跑顺的流程。在1-2h的时间里，即可生成一期视频。
但从流量角度，算不上一次成功的尝试。受众并不喜欢。没有人喜欢AI味道的素食快餐，尤其是你这个速食快餐，即不好吃也不能填满肚子。这点，应当是未来AI应用，无论是工具提供方，还是工具使用方，都应该慎重考虑的内容。
在数据的基础上，作者也有在看同行的一些作品。发现AI炸裂体反而更能吸引受众。真应了那句话：做的内容太专业，反而更吸引同行。在AI内容方面，整合自身在算法方面的优势积累，适当下放内容深度，也许能复刻财经类博主的路子。不过，得和王自如下场竞争了。
垂直度方面，作者目前在做另一个尝试：仓满量化，一个关于财经方面的信号。这次吸取了前面的教训，新建账号并且只做量化、交易相关的内容。当然，也利用了前面的经验，采用公式化的方式，一天能够生成5条以上的内容。采用Manim，兼顾了视觉传达效果和专业度。目前一周下来，小红书上就收获500+的粉丝。
未来更进一步，还需要补充更多的真人感、更多和用户的联结。去真切解决用户的需求，辅以更丰富的视觉呈现，更专业的知识解读。AI是提效工具，而不是目的。
最后，用户需要的是高质量的内容，不是简单的AI重复。需要真人感。即使是AI的内容，也需要和你这个人本体产生关联。