AnyPod

March 17, 2026 · View on GitHub

English | 简体中文

AnyPod

AnyPod


AnyPod 是一个开源的自动化播客生成工具，基于 MOSS-TTSD 等开源 TTS 模型驱动。它可以将任意文本输入（TXT/PDF）转化为多集高质量播客节目。该工具通过 LLM Agent 自动分析输入文本、规划播客内容、生成播客剧本，并通过 TTS 合成为语音。支持自定义音色克隆、编辑节目设定和剧本，以及中英文双语的输入和输出。

安装

本工具支持四种 TTS 后端：

  • MOSS-TTSD（8B）：生成效果最佳（推荐）。
  • MOSS-TTS（8B）：单人模式生成效果最佳。
  • VibeVoice（1.5B）：轻量级选择，适合大多数个人设备。
  • MOSS-TTS API：环境配置最简单，但仅支持单人模式。

配置 TTS 环境

如果你使用 MOSS-TTS / MOSS-TTSD 作为 TTS 后端：

# 创建 MOSS-TTS / MOSS-TTSD 环境
conda create -n anypod_moss_tts python=3.11 -y
conda activate anypod_moss_tts
pip install -r requirements_moss_tts.txt
pip install flash-attn  # 安装 FlashAttention（可选）

# 下载模型权重
huggingface-cli download OpenMOSS-Team/MOSS-Audio-Tokenizer \
  --local-dir model/MOSS-Audio-Tokenizer \
  --local-dir-use-symlinks False

huggingface-cli download OpenMOSS-Team/MOSS-TTSD-v1.0 \
  --local-dir model/MOSS-TTSD-v1.0 \
  --local-dir-use-symlinks False

huggingface-cli download OpenMOSS-Team/MOSS-TTS \
  --local-dir model/MOSS-TTS \
  --local-dir-use-symlinks False

如果你使用 VibeVoice 作为 TTS 后端：

# 创建 VibeVoice 环境
conda create -n anypod_vibevoice python=3.11 -y
conda activate anypod_vibevoice
pip install -r requirements_vibevoice.txt

# 下载模型权重
huggingface-cli download microsoft/VibeVoice-1.5B \
  --local-dir model/VibeVoice-1.5B \
  --local-dir-use-symlinks False

python -c "
from transformers import AutoTokenizer
tokenizer = AutoTokenizer.from_pretrained('Qwen/Qwen2.5-1.5B')
tokenizer.save_pretrained('model/Qwen2.5-1.5B-tokenizer')
print('Done')
"

如果你使用 MOSS-TTS API 作为 TTS 后端：

无需配置额外的 TTS 环境。只需在 config/llm_api_config.json 的 moss_tts_api 部分填入你的 API Key 和 Voice ID 即可。

配置基础环境

conda create -n anypod python=3.11 -y
conda activate anypod
pip install -r requirements.txt
export ANYPOD_CONDA_HOME=YOUR_CONDA_PATH  # 例如：~/miniconda3

LLM Agent 配置

在 config/llm_api_config.json 中配置 AnyPod 使用的 LLM Agent。每个 Agent 需要以下必填字段：

{
  "base_url": "",
  "model": "",
  "api_key": ""
}

共有三个 Agent，分别适合不同类型的模型：

  • understanding_agent — 推荐使用轻量级模型以获得更高性价比（如 Qwen3-Flash）。
  • plan_agent — 推荐使用具有较强推理能力的模型（如 GPT-5.4 Thinking）。
  • writing_agent — 推荐使用写作能力较强的模型（如 Gemini 3 Flash/Pro）。

使用方式

通过 Gradio Web UI 运行

python gradio_main.py \
  --server_name 127.0.0.1 \
  --server_port 7860

通过命令行运行

python main.py \
  --config_json config/anypod_config.json

请编辑 config/anypod_config.json 来设置输入参数。

UI 预览

  1. 播客生成
  1. 编辑主持人身份信息
  1. 编辑播客节目信息
  1. 自定义音色

Coming Soon

  • 支持接入更多 TTS 模型。
  • 支持更多语言和更多说话人。
  • 支持更多类型、更多模态的输入（如图片型 PDF）。
  • Windows / macOS / Android 应用。

Contributing

欢迎贡献！

  1. Fork 本仓库
  2. 创建功能分支
  3. 进行修改
  4. 提交 Pull Request

License

本项目基于 MIT License 开源.