做 AI 播客，先分清需求：一个人念稿，还是生成两个人聊天的节目？两类工具技术路线完全不同，用错类型等于白折腾。
单人播报看文字转语音：音色自然度、中文韵律、长文本稳不稳。多人对谈看对话编排：说话人分不分得清、衔接顺不顺。需求对不上，音质再好也救不回来。
先分清：四种真实需求
- 单人播报：资讯、有声内容、讲解，一人从头念到尾。
- AI 生成多人对谈：把文档变成两人聊天的节目。
- 真人录制的多人对谈：已录好，需要转写、剪辑、修音。
- 视频版播客：发视频平台，需要画面和字幕。
需求矩阵
| 看什么 | 单人播报 | 多人对谈（AI 生成） |
|---|---|---|
| 核心能力 | TTS 音色与长文本稳定 | 说话人区分与对话节奏 |
| 中文要求 | 中文韵律、方言、多音字 | 中文对谈自然度 |
| 最怕的坑 | 长文本越念越机械 | 两个声音像一个人在演 |
| 后期工作量 | 小，生成即成品 | 中，需检查对话逻辑 |
主流工具对照
| 工具 | 擅长 | 中文 | 费用 | 定位 |
|---|---|---|---|---|
| NotebookLM | AI 生成多人对谈 | 50 多种语言，含简体中文 | 免费 | 文档一键变双人聊天节目 |
| ElevenLabs | 单人播报 | 32 种语言，含中文 | 免费额度 + 按字符付费 | 音色自然，支持声音克隆 |
| VibeVoice-1.5B | AI 生成多人对谈 | 需自行测试 | 开源免费，需自己部署 | 微软开源多说话人长文本语音 |
| Descript | 录制对谈后期 | 英文为主 | 付费订阅 | 文本驱动剪辑，改文档式剪音频 |
| 国内中文 TTS | 单人播报 | 强 | 按量或订阅 | 中文韵律、方言音色是强项 |
逐个点评
NotebookLM：免费的双人对谈生成器
Google 出品，上传文档即生成两个 AI 主持人聊天的节目，50 多种语言含简体中文，免费。适合把报告变成通勤可听的内容。
不适合谁：想做单人播报的人。它只做双人对谈，定不了固定主播音色，也不适合需要品牌声音的商用场景。
ElevenLabs：单人播报的音色强者
32 种语言、海量音色、可克隆自己的声音，长文本情绪和停顿是 TTS 里最自然的一档。免费额度每月约一万字符，适合试水。
不适合谁：想一键生成双人对谈的人。它本质是朗读工具，多角色要手动拼接；长篇连载烧字符快，预算有限先算账。
VibeVoice-1.5B：可自己部署的多人对话方案
微软开源的播客级语音合成，一次生成 90 分钟、四人对话的长音频，适合有技术能力、想自搭流程的团队。微软开源的 VibeVoice-1.5B 播客级多说话人语音 (/article/132)
不适合谁：不想碰部署的普通用户。算力、调参、中文验证都得自己来，时间成本不低。
Descript：录好对谈的剪辑利器
真人录制的多人对谈，痛点在后期：转写、删语气词、多轨对齐。Descript 把音频变成可编辑文本，删一句话等于剪掉一段音频。Descript 的文本驱动播客编辑 (/article/663)
不适合谁：想从零生成播客的人。它不做"无中生有"，没录音用不上；中文转写弱于英文。
中文单人播报：先看中文韵律
纯中文单人播报，优先试国内厂商 TTS：多音字、数字读法、方言音色处理更顺。选型时听长段落的停顿和重音，别只听 Demo 前三句。
不适合谁：要做多语言版本的人。中文 TTS 念英文不如原生多语言模型自然。
三条选择建议
- 先定节目形态再选工具。单人播报看 TTS，多人对谈看对话编排，录好的看剪辑工具，形态错了后面全错。
- 中文节目用中文稿实测。各家对谈自然度差距大，拿自己的稿子各生成 3 分钟对比，别信官网 Demo。
- 免费起步，跑通再付费。免费额度够验证流程，能持续更新再订阅。
替代方案：都不满意就组合——TTS 做单人部分，录好的对谈先转写再精剪。转写和字幕工具选型参考这篇 (/article/1862)。要发视频平台，再叠一层视频剪辑即可。
常见问题
Q：零预算能做出像样的 AI 播客吗？
A：能。NotebookLM 免费做双人对谈，ElevenLabs 免费额度够做几期短节目。先验证方向、跑通节奏，再考虑付费。
Q：中文多人对谈的 AI 生成效果靠谱吗？
A：比英文弱一截。说话人区分和对话节奏在中文里更容易露馅，先拿 3 分钟样片测试再决定。
Q：单人播报和多人对谈能混用工具吗？
A：能，但别指望一个工具全包。常见做法：TTS 做单人部分，对谈单独生成或真人录制，最后拼成一期。
