01 緣由

昨天我發(fā)了一篇Agent的文章，是之前參加北京AI活動的內(nèi)容整理。然后就有讀者說，如果有音頻就更完美了。

其實當(dāng)天我是想到了，也把設(shè)備都帶過去了，無奈的是，現(xiàn)場的設(shè)備不兼容，要考慮現(xiàn)場音響，就沒辦法錄播客了。

我其實很希望大家聽原聲的分享，畢竟我整理的文字也是從2萬多字里刪減后的。一些思考細節(jié)沒有呈現(xiàn)。

正好又有讀者希望有音頻，也正好扣子空間上線了AI播客，馬上動手來試一試。試了差不多一個小時，來說說驚喜和不足吧。

02 驚喜

語音的AI味兒，幾乎沒有了。

大家可以聽一聽，語調(diào)、語氣、節(jié)奏、互動，都非常好。

操作也很簡單，直接自然語言輸入，就可以了。提示詞可以是“根據(jù)XX內(nèi)容，生成XX分鐘的XX播客，然后輸出一個音頻文件”

思考過程也可以展現(xiàn)出來。由于線下的活動是5個嘉賓一起聊的，所以我又給定了新的指示詞，希望不同的人、有不同的聲音。

好家伙，AI真的開始干活了。在腳本里注釋了不同的語氣：沉穩(wěn)、親切、自信、誠懇、好奇、理性、思索。

有不同語氣，并不難，現(xiàn)在AI語音都有各種版本。重點是，能根據(jù)內(nèi)容識別合適的語氣。比如“稍微保守點”，就識別為理性；“第一個問題”就識別為好奇等等。

整個生成時間差不多10分鐘左右。還有完整的字幕可以對照。

驚喜完了。說說實用性等不足吧。

03 不足

a、首先，盡管給出了不同的語氣，我也嚴格要求了不同角色用不同聲音，但效果來看，基本沒實現(xiàn)。

還是男、女兩個聲音角色，沒有不同。

也許是現(xiàn)在模型默認就是兩位嘉賓對談，而不是多嘉賓對談。

可能考慮是，既然都用AI了，那應(yīng)該不復(fù)雜。復(fù)雜的話，直接就真人啊。

b、其次，自己加戲太多。雖然我給了內(nèi)容、也指示模型嚴格按照推文、讀出來，結(jié)果，大模型還是根據(jù)推文內(nèi)容，進行了自己的理解、再加工。

整理的內(nèi)容倒沒錯，但是，如果給出了嚴格指令的話，還是希望能執(zhí)行。畢竟，整理后的內(nèi)容雖然沒錯、但有些表達方式，還是改變了。

尤其對我這個項目來說，當(dāng)然希望是按照嘉賓確認后的內(nèi)容來表達。

c、時長。這個應(yīng)該問題不大，目前應(yīng)該還是算力局限。

整體而言，對我還是有幫助的。尤其現(xiàn)在不少人不愿意讀長文，那就可以讓AI自動生成一個對話，畢竟聽對話，比單純聽念文本好多了。

但是，如果是AI生成的播客，應(yīng)該是要打標(biāo)簽、告知用戶的。這種情況下，用戶是否還愿意聽呢？

就目前播客用戶而言，可能一大半不愿意了。

所以，這個工具對真人播客，似乎幫助又有限了。當(dāng)然，還是非常不錯的探索。尤其語音效果，還是很驚嘆的。

最后，借用我在Agent那篇文章里的一個觀點：

AI對真人關(guān)聯(lián)高的創(chuàng)造性工作替代，需要有邊界，全替代未必好；而那些機械、重復(fù)、沒有創(chuàng)造價值的工作，可以多替代些。

---全文完，歡迎交流

理工/金融 復(fù)合背景

暢銷書《英偉達之道》譯者

百億私募/頭部自媒體 雙重經(jīng)歷