podcast-generation

播客生成技能为开发人员提供了一个强大的架构模板，用于将即时交互式语音叙事整合到应用程序中。此技能专为全栈实现而设计，利用 Azure OpenAI Realtime API 弥合文本内容与对话式 AI 输出之间的差距。它特别适用于需要低延迟语音反馈或自动化音频讲故事的场景，例如新闻应用程序、教育内容平台及交互式 AI 代理。

此技能核心利用 GPT Realtime Mini 模型将输入文本转换为高质量的 PCM 音频流。通过 WebSocket 连接，实现了近乎实时的音频生成与播放。该技能包含了将原始 PCM 块转换为标准 WAV 格式的必要工具逻辑，确保与现代网页浏览器和音频播放引擎的兼容性。开发人员可以轻松选择 alloy、echo、fable 或 nova 等多种语音档案，以符合应用程序所需的音调。

• 通过 Azure OpenAI 的 WebSocket 整合实现实时音频流传输。

• 将 PCM 输出直接转换为浏览器兼容的 WAV Blob。

• 支持多种语音角色设置，包含 alloy、echo、fable、onyx、nova 及 shimmer。

• 涵盖 Python FastAPI 后端服务与 React 前端播放组件的全栈模式。

• 针对流式增量事件、转录同步与生成完成信号的异步事件处理。

• 确保环境已配置正确的 AZURE_OPENAI_AUDIO_ENDPOINT，且不包含旧版的 /openai/v1/ 后缀。

• 音频输出格式为 24kHz、16-bit、单声道 PCM；请确认本地音频管线支持此采样率。

• 在生产环境中需谨慎处理连接事件，以管理带宽与潜在的 WebSocket 超时问题。

• 使用随附的 PCM 转 WAV 辅助脚本以维持音频质量。

• 监控包含 response.output_audio.delta 与 response.done 的事件类型，以有效地管理前端状态与播放缓冲区。