一个人做访谈节目
从 VibeVoice 小白试玩到完整生产线

想做一档 1 对 1 访谈节目，却苦于找不到嘉宾、凑不齐团队？你完全可以一个人完成全部制作。今天的 AI 语音合成技术已经能做到语调自然、情绪饱满、多角色对话层次分明。本文带你从零开始：先手把手玩转 VibeVoice-TTS-Web-UI 这个微软开源的配音神器，再串联 LLM 写脚本与 Audacity 混音，形成一条零门槛、高控制力的完整播客生产线。

一、VibeVoice 小白试用指南

1.1 它是什么，为什么选它

VibeVoice 是微软开源的语音合成项目，基于 ICLR 2026 论文提出的 Next-Token Diffusion 架构。它的核心能力不是"把文字读出来"，而是让多个 AI 角色像真人一样对话——有停顿、有情绪起伏、有自然的轮次感。

对于个人创作者来说，最大优势有三点：完全免费开源、支持多说话人（2-4 个不同音色）、Web UI 可视化操作不写代码也能用。

1.2 三种部署方式，按你的条件选

如果你选择 Docker 方式，一条命令即可启动（需本机有 NVIDIA 驱动和 Docker）：

# 拉取镜像
docker pull registry.cn-hangzhou.aliyuncs.com/csdn_mirror/vibevoice-webui:latest

# 启动容器
docker run -d \
  --gpus all --shm-size=8gb -p 8080:8080 \
  -v $(pwd):/workspace \
  --name vibevoice \
  registry.cn-hangzhou.aliyuncs.com/csdn_mirror/vibevoice-webui:latest

启动完成后，浏览器访问 http://localhost:8080（或你的服务器 IP:8080），就能看到界面了。

1.3 界面只有三大区域，像发微信一样简单

整个 Web UI 非常简洁，核心就三块：

1.4 脚本格式：三个标记让对话"活"起来

VibeVoice 的脚本支持多种标记语法，但新手只需要掌握最核心的一组：

[主持人] 大家好，欢迎收听本期节目。
[嘉宾] 谢谢邀请，今天想聊聊 AI 语音合成。

[主持人] 你刚才说的那个观点很有意思[pause:0.8]，能再展开讲讲吗？

1.5 小白实战：生成一段 30 秒试听

把下面这段脚本粘贴到左侧编辑区，给 [主持人] 分配一个沉稳男声，给 [嘉宾] 分配一个温和女声，点击生成：

[主持人] 今天我们来聊聊一个特别的话题：一个人怎么做访谈节目？
[嘉宾] 哈哈，这个话题本身就是个悖论吧？访谈需要两个人啊。
[主持人] 以前是这样。但现在有了 AI 语音合成，你可以给自己"造"一个搭档。
[嘉宾] 听起来有点科幻，但效果真的够自然吗？
[主持人] 试试你就知道了。语气、停顿、甚至笑声，都能模拟出来。

第一次听到成品的时候，很多人的反应是："这真的是 AI 合成的吗？"

二、完整制作方案：一条播客生产线

掌握了 VibeVoice 之后，下一步是把它嵌入到一条完整的生产流程中。这套方案我称之为"路线二"，核心逻辑是：你当导演和编剧，AI 当演员，免费软件当录音棚。

步骤一：LLM 写脚本 —— 好对话是"设计"出来的

不要直接让 AI "写一期访谈节目"。那样出来的内容往往空洞、冗长、缺乏真实对话的推进感。更有效的方式是结构化提示，把节目当作一个微型剧本去设计。

以下是一个经过验证的 Prompt 模板：

你是一档播客访谈节目的编剧。请帮我写一段 8-10 分钟的访谈对话脚本。

【角色设定】
- 主持人（A）：风格轻松幽默，善于追问和总结，偶尔开玩笑
- 嘉宾（B）：[某领域] 从业者，说话有深度但善于打比方，口语化

【话题】
[在这里填入你的话题]

【格式要求】
1. 采用 VibeVoice 脚本格式，每行以 [主持人] 或 [嘉宾] 开头
2. 每轮发言 2-4 句话，避免大段独白
3. 加入 [pause:0.5] 到 [pause:1.2] 的停顿标记，模拟真实思考间隙
4. 包含一个"钩子"开场、3 个核心讨论点、1 个金句收尾
5. 总字数控制在 1500-2000 字

步骤二：VibeVoice 配音 —— 从文字到声音

拿到脚本后，回到 VibeVoice Web UI 完成以下操作：

生成完成后，先在线试听一遍。重点关注：两个角色的音色是否有明显区分、停顿是否自然、有没有"机器人感"过重的句子。如果有问题，回到脚本层面微调标点或停顿标记，重新生成对应段落。

步骤三：Audacity 混音 —— 让节目像"电台出品"

Audacity 是一款免费开源的音频编辑软件，功能足以覆盖播客制作的全部后期需求。以下是访谈节目的标准后期流程：

3.3.1 降噪处理

如果音轨里有电流声、空调声等背景噪音，先用 Audacity 的噪声消除效果处理：

1. 选取一段纯噪音样本（约 2-3 秒空白）
2. 点击 效果 > 噪声消除 > 获取噪声特征
3. 全选音频，再次打开噪声消除，降噪强度建议 20-30%，灵敏度 6-8

3.3.2 音量平衡

不同角色、不同段落的音量可能不一致。使用压缩器（Compressor）平衡动态范围，比率建议 2:1 至 4:1。然后用标准化（Normalize）把峰值音量统一到 -1dB。

3.3.3 多轨混音

把主持人音轨、嘉宾音轨、背景音乐分别放在不同轨道上：

• 人声轨道：保持在 0dB 附近，确保清晰度
• 背景音乐：降至 -18dB 到 -24dB，只在开场、过渡和结尾出现
• 使用包络线工具让背景音乐淡入淡出，不要突然切断

3.3.4 添加片头片尾

一个专业的播客需要标识性的开场。可以用 3-5 秒轻音乐做引子，加上一句固定的节目 slogan，比如"欢迎收听《一个人的访谈》，我是主持人 XXX，今天我的搭档是 AI 嘉宾。"

3.3.5 导出发布

点击 文件 > 导出 > 导出为 MP3，比特率选择 192kbps 或 320kbps，即可上传到各播客平台。

三、工具链速查与成本估算

总结一下：从脚本到成品，一个人、一台电脑、全部免费工具，完全可以做出一档媲美小型团队出品的访谈播客。唯一的"成本"是你的时间和审美——花 2 小时打磨脚本，比花 20 分钟随便生成一稿，效果天差地别。

四、我的建议：今天就开始

如果你读到这里已经有点心动，我的建议是不要等"准备完美"再开始。按下面的路径，今天就能出第一段成品：