用纯 Rust 重写 Podcastfy：把网页、PDF 和一段文字，变成一档双人对话播客

开源版NotebookLM来了！Podcastfy：输入PDF、文本、网址等即可转换成播客。一个 Tauri + Svelte 桌面应用的实现记录：不装 Python、不下载模型、不碰 CUDA，只用「编排 + 文本处理 + ffmpeg」把素材变成一段能听的播客。

项目开源地址 ：gitcode.com/qq8864/Podc...

在如今的数字时代，播客越来越受到大家的喜爱，尤其是随着多语言交流需求的增加，如何制作引人入胜的音频内容成了一个热门话题。

谷歌旗下的NotebookLM就备受好评，而最近一款名为 Podcastfy 的开源 Python 软件包引起了广泛关注。这款工具可以说是开源版NotebookLM，可将网络内容、PDF 文档及文本转换成迷人的多语言音频对话的播客形式，且采用了先进的生成式人工智能（GenAI）技术。

Podcastfy 不仅仅是一个简单的工具，它的目标是让用户在制作播客时实现更多的个性化和规模化。 与一些主要聚焦于笔记或研究的 UI 工具不同，比如 NotebookLM，Podcastfy 更注重于编程和定制化的生成方式。这意味着无论是来自于一段视频、一本书籍，还是一篇研究论文，用户都可以通过 Podcastfy 将这些信息生动地转换为音频内容。

一、先说说这东西是干什么的

如果你用过 Google 的 NotebookLM，大概记得它那个「生成播客」的功能：把几篇文档丢进去，它会生成一段两个主持人你来我往的对话式播客------不是机械地朗读稿子，而是有问有答、有追问、有总结的那种。

souzatharsis/podcastfy 就是这件事的开源复刻版（Python 实现）。它能吃网页、PDF、YouTube、纯文本，甚至只给一个主题，然后吐出一个 MP3。但它是个库/命令行工具：要建 Python 环境、装一堆依赖、写脚本调用。对普通用户来说，门槛不低。

于是有了 PodcastfyUI：

做了什么	把 podcastfy 的核心能力重写成桌面图形应用（复制粘贴链接就能用）
怎么做的	核心引擎用纯 Rust 重写 ，UI 用 Tauri v2 + Svelte 5
不做什么	不做本地推理------本机不跑任何模型，只负责取内容、编排对话、拼音频

当然这个移植借助了AI的能力，如果你做过 AI 应用或自动化脚本，多半遇到过同一种疲惫：每家厂商一套账号、一套密钥、一套计费口径，想在项目里换个模型，常常不是「改一行参数」这么简单，而是「再集成一遍」。如果你想体验国外厉害的大模型能力，却总是被禁或者服务不稳定。推荐下taotoken，这个是csdn官方推出的产品，速度流畅，稳定可靠。 关键是很便宜，性价比不错。

taotoken尝鲜入口 ：taotoken.net/?u=inv_faxm...

Taotoken 的方向很直白：把「多模型」收敛成「一条统一网关」 。它是 CSDN 生态里的 AI 聚合与分发能力载体------面向开发者常见的调用路径，做网关侧的路由与协议适配，让你更少折腾基建，更多时间花在产品与效果上。谐音梗"掏token"，名字起的不错。以后AI时代，token就是食粮，越来越重要了。

二、它凭什么"轻"？------一条关键判断

绝大多数"本地 AI 应用"的复杂度都来自模型：权重下载、显存、CUDA、推理后端版本地狱。但仔细拆一下「生成播客」这件事，会发现真正的计算其实都在远端：

内容抽取  = HTTP 抓取 + HTML 正文提取 + PDF 文本提取   ← 纯文本处理，无模型
对话稿生成 = 一次（或几次）LLM API 调用                ← 远端
语音合成  = 每行台词一次 TTS API 调用（N 次）          ← 远端
音频拼接  = ffmpeg concat                              ← 本地，但 ffmpeg 是现成二进制

没有一步需要本地模型。 于是"纯 Rust 复刻"这条路是成立的：本机只需要做"编排（orchestration）"。这就是整个项目的技术前提，也是它安装体积小、启动快、不需要 GPU 的根本原因。

一句话定位：只做编排，不做推理。

三、技术栈与架构

层	选型	说明
桌面壳	Tauri v2	系统 WebView + Rust 后端，打包体积远小于 Electron
前端	Svelte 5（runes）	$state / $derived / $props，无虚拟 DOM
核心引擎	纯 Rust	抽取、生成、TTS、拼接、队列全在后端
进程间	Tauri 命令 + 事件	前端发命令、后端推进度事件
音频	系统 ffmpeg	不自带，启动时自检

后端模块大致长这样：

src-tauri/src/
├── extractor/   内容抽取：网页正文（readability）、PDF（pdf-extract）、YouTube 字幕
├── generator/   对话稿生成：LLM 客户端（OpenAI 兼容 / Anthropic / Gemini / Ollama）
├── tts/         语音合成：openai / edge / doubao 三个 provider，统一 trait
├── audio/       ffmpeg 拼接与探测（find_ffmpeg、concat、时长解析）
├── queue/       四阶段任务流水线，进度事件、取消、失败隔离
├── config/      密钥、LLM、会话配置的读写（api_keys.json / llm.json / conversation.yaml）
└── health.rs    自检探针：一键测 LLM / TTS / ffmpeg 连通性

设计上刻意把 -- ③ 每一行台词合成一个 mp3 -- 当作 TTS 层的统一契约：不管后面接的是 OpenAI、Edge 还是豆包，provider 只需实现"给我一行文本和一个音色，还我一个 mp3"。这让「三套协议差异巨大的 TTS 服务」在前端看起来是同一件事。

四、四阶段流水线

几个刻意的设计选择：

• 阶段独立、可回退：抽取失败不影响已生成的对话稿；转录稿改完可以只重跑 ③④，跳过最费钱的 ②（LLM 调用按 token 计费，重跑一次不便宜）。
• 逐行合成而不是整段合成：虽然调用次数多，但换来三件好事------两位主持人可以用不同音色（不然听不出对话感）、单行失败可重试、进度可精确到行。
• 进度即事件：每个阶段都往前端推状态，任务卡片上有实时进度、可取消、可删除。

五、三个值得单独讲的实现细节

1. 豆包（火山引擎）TTS：WS 二进制帧 + gzip

OpenAI 的 TTS 就是一个 POST /v1/audio/speech，Edge 的接口也无非是 WebSocket 里塞 SSML。火山引擎（豆包）这套则完全是另一个量级------它的自定义二进制帧协议：

字节 0: (protocol_version << 4) | header_size
字节 1: (message_type    << 4) | flags
字节 2: (serialization   << 4) | compression
字节 3: reserved
字节 4..8: payload 长度（大端 u32）
字节 8..: payload（gzip 压缩后的 JSON）

请求 JSON 形如：

{
  "app":   { "appid": "...", "token": "...", "cluster": "volcano_tts" },
  "user":  { "uid": "podcastfyui" },
  "audio": { "voice_type": "zh_female_wanwanxiaohe_moon_bigtts",
             "encoding": "mp3", "speed_ratio": 1.0 },
  "request": { "reqid": "...", "text": "要说的话", "operation": "query" }
}

好消息是：服务端直接回 mp3 分片，不需要自己解码或重采样------正好对上本项目"每行台词一个 mp3" 的统一契约，接入成本比想象中低。

2. 一个 403 的定位过程（[resource_id=] requested resource not granted）

真实调用时我们收到的是这样一个错误：

{"message":"[resource_id=] requested resource not granted",
 "code":403,"backend_code":45000030}

第一步不是改代码，而是分清"连不通"还是"被拒绝"------直接对端点做一次裸 WebSocket 握手探测：

printf 'GET /api/v1/tts/ws_binary HTTP/1.1\r\nHost: openspeech.bytedance.com\r\nUpgrade: websocket\r\n
Connection: Upgrade\r\nSec-WebSocket-Key: dGhlIHNhbXBsZSBub25jZQ==\r\nSec-WebSocket-Version: 13\r\n\r\n' \
 | openssl s_client -quiet -connect openspeech.bytedance.com:443 -servername openspeech.bytedance.com
# → HTTP/1.1 101 Switching Protocols      ← 网络与 TLS 都没问题

第二步看错误信息里的关键细节：[resource_id=] 是空的。也就是说网关拿到了请求，但不知道要为哪个"资源"计费/授权------因为我们的握手只发了鉴权头：

Authorization: Bearer;<access_token>

而"豆包语音合成大模型"（*_bigtts 那批音色）还必须带上资源路由头：

X-Api-App-Id:      <App ID>
X-Api-Access-Key:  <Access Token>
X-Api-Resource-Id: volc.service_type.10029   ← 缺的就是这个
X-Api-Connect-Id:  <uuid>

修完之后顺手做了两件事：把 Resource ID / API 版本（v1 / v3）做成可配置项 ，并在错误信息里回带 resource id，方便下次一眼定位。这类第三方协议细节，文档与参考实现的说法经常对不上，唯一可靠的办法是拿真实凭证打一次，看服务端到底抱怨什么。

3. 中文输出的两个"不自然"

选了简体中文，却发现读出来是"英文腔中文"------两个独立的原因：

• 音色没跟着语言走 ：Edge TTS 的默认音色是 en-US-JennyNeural / en-US-EricNeural。输出语言为中文时，若音色仍是英文前缀，自动回退到 zh-CN-XiaoxiaoNeural /zh-CN-YunxiNeural；SSML 里的 xml:lang 也从音色前缀推导，而不是写死。
• 素材源没跟着语言走 ：抓 YouTube 时优先挑 zh 字幕轨道，而不是默认那条。

另外，转录稿的解析规则是 PERSON_1: / PERSON_2: 前缀（兼容 P / A / Q这类小写变体），没有前缀的行静默跳过------LLM 有时会写旁白，宁可丢掉也不要让它把旁白念成"主持人"。

六、界面

任务列表：四阶段实时进度、可取消/删除，完成后直接播放。

设置页：密钥按所选 provider 就近显示（选 OpenAI 才出现 OpenAI key），豆包凭证与 Resource ID 只在选用豆包 TTS 时出现------不该填的东西默认不出现，避免"这是不是必填"的误导。

其余体验细节：LLM / TTS / ffmpeg 的自检探针、中英双语界面、转写稿双色渲染（两位主持人不同色）、完成后的"仅重新合成音频"按钮。

七、能力边界（先说清楚，免得踩坑）

一个诚实的功能列表，应该同时说清"它不做什么"：

边界	说明
不做本地推理	所有生成都调远端 LLM / TTS，本机不跑模型。离线只能改稿，不能生成
ffmpeg 不自带	依赖系统 ffmpeg，启动时自检并明确提示，不静默失败
Edge TTS 是免费公共接口	无需 key，但受微软服务波动影响。我们实测过：/voices/list 返回 200，合成却返回 400------"接口通"不等于"能合成"
豆包需控制台开通	只在控制台拿到 App ID / Token 还不够，必须在火山控制台开通「大模型语音合成」并激活对应音色，否则报无权限（45000030 一类的错误）
API key 明文存储	存在本机应用数据目录（靠文件权限保护），设置页有显式提示，见 PRIVACY.md。不引入系统密钥环是刻意的取舍
任务不跨重启持久化	任务列表在内存中，重启后需重新发起（已在路线图）

关于怎么验证 ，也有个原则：真要证明"链路是通的"，得用真实 LLM 产出真实对话稿，而 TTS 在无凭证时用替身（stub）隔离------这样能确认抽取 → 生成 → 拼接三段无误，但绝不把替身的结果说成"语音合成成功" 。冒烟测试的产物是要能验的： mp3 / 24000 Hz / mono，改稿后"仅重新合成音频"能独立跑通。

八、快速开始

前置：Rust 工具链、Node 18+ 、系统已装 ffmpeg。

git clone https://gitcode.com/qq8864/PodcastfyUI.git
cd PodcastfyUI

npm install          # 首次安装前端依赖

npm run tauri dev    # 开发模式（热重载）
npm run tauri build  # 生产构建，产物在 src-tauri/target/release/bundle/

首次启动进 设置 页完成三项配置，点「测试连接」确认全绿：

1. LLM ：openai（兼容任意 OpenAI 接口，填 Base URL + 模型名即可接自有网关或中转）、 anthropic、gemini，或本地 ollama（默认 http://localhost:11434/v1，无需 key）。
2. TTS ：edge 只需选音色（免费免 key）；openai 需 key；doubao 需 App ID + Access Token + Resource ID + 两个音色。
3. 输出语言 ：简体中文 / 繁體中文 / English，选中文会自动换中文音色与中文字幕轨道。

九、路线

• 已完成（MVP，2026-09-12） ：cargo check ✅ · cargo test ✅ · svelte-check 0 错 0 警 ✅ · vite build ✅。
• 进行中 ：豆包 TTS 真实凭证联调（已修掉缺 X-Api-Resource-Id 导致的 403）。
• 下一步：任务持久化 · ElevenLabs / Gemini 多说话人 TTS · 拖拽文件输入 ·应用图标与各平台打包。
• License：Apache-2.0（与上游 podcastfy 一致）。

十、写在最后

这个项目有意思的地方不在"用了什么新框架"，而在一次由问题驱动的减法：把"本地 AI 应用"必须背的模型包袱全部拿掉，只留下真正需要本机做的事------取内容、编排对话、拼接音频；把重活交给远端 API，把体验交给 Tauri + Svelte。

剩下的复杂度，就只剩下那些琐碎但真实的第三方协议细节 ：一个缺失的X-Api-Resource-Id 头、一个"接口通但合成不通"的免费服务、一个语言和音色不同步引发的"英文腔中文"。这些东西文档里通常不会写，只能靠真实调用一点点撞出来------而这也正是把项目跑通的乐趣所在。

仓库 ：<gitcode.com/qq8864/Podc...>

更多文档：docs/architecture.md（架构设计）· docs/modules.md（模块职责）·docs/api.md（命令/事件 API）· docs/devlog.md（开发日志与踩坑）·docs/release-readiness.md（上架就绪度）。