假设你要做一档 10 分钟的双人 AI 科普播客。

一位主播负责把问题问得像普通人，另一位“嘉宾”负责解释。每周更新三期，不追热点，专门把一个技术概念讲明白。

乍看之下，这件事已经很简单了。

找个大模型写脚本，再找一个 TTS 工具配音，不就完了？

真做一遍就知道，文字变成声音只占了很小一段。更麻烦的是前后那一长串脏活：选题从哪里来，资料有没有出处，两个角色会不会说串台词，某一段配音失败后要不要整期重做，背景音乐能不能用，最后是谁点头让它发布。

如果这些问题没处理好，你得到的不是播客生产线，只是一台会批量制造音频垃圾的机器。

n8n 真正能做的，也不是“替你做出一档好听的节目”。

它负责把选题、资料、脚本、配音、合成、审核、发布和数据回流接起来，让每一期节目都知道自己走到了哪一步，哪里失败了，下一步该找谁。

做 AI 播客，最容易犯的错，是把所有东西都叫成“AI 自动生成”。

这句话听起来省事，落地时特别容易乱。

一条相对靠谱的生产线，至少要分成三层。

第一层是内容决策层。

人来决定这期讲什么，哪些资料能用，哪些观点还没有被证实，两个角色分别承担什么功能，以及最终成片能不能公开发布。节目好不好听、立场是否合适、事实是否经得起追问，这些不能甩给工作流。

第二层是音频生成层。

大模型可以整理资料、生成提纲、改写口语脚本；TTS 服务负责把台词变成声音；音频工具负责拼接、加停顿、统一响度、插入片头片尾和背景音乐。

第三层才是 n8n 编排层。

它接收选题，调用模型，把脚本拆成一句句台词，给不同角色绑定固定声音，轮询配音任务状态，把成功和失败的片段分别记录，再触发审核、合成、通知与归档。

n8n 官方模板库里已经能看到几种简化版本：有工作流会读取 RSS，调用大模型改写，再用 ElevenLabs 生成声音并发送到 Telegram；也有模板把 PDF 文本提取出来，用 Gemini 生成对话脚本，再转换成 WAV 文件。

这些模板证明“资料进来，音频出去”是能接通的。

但接通，不等于能长期生产。

公开模板通常演示的是一条最短路径。真正要做成周更节目，还得补上内容核验、角色管理、失败重试、人工试听、版权检查和版本归档。

下面用一个明确的假设场景来拆。

节目暂时叫《AI 这事别急》。每期 8 到 12 分钟，角色固定：主播“小安”负责追问，嘉宾“小奇”负责解释。第一期的题目是：RAG 为什么不能只看回答像不像真的？

整条工作流可以压成六个主要阶段。

1. 选题进入队列，但不立刻开写

选题可以来自 Notion、飞书表格、Airtable、Google Sheets，也可以来自读者留言、RSS 或内部选题库。

每条选题至少要有几个字段：

- episode_id：这一期的唯一编号

- topic：选题

- audience：讲给谁听

- target_duration：目标时长

- source_urls：资料链接

- status：当前状态

- owner：谁负责审核

当状态从“想法”改成“待研究”，n8n 才启动后续流程。

这一步看着麻烦，却能挡住一种常见浪费：脑子一热想到一个题，模型已经写完八千字，最后才发现它不适合做播客。

2. 搜集资料，但把“事实”和“观点”分开

工作流读取已有链接、RSS、PDF 或知识库，把资料统一保存，再让模型做摘要。

这里不能只保留一段“总结”。最好同时保存原始链接、原文片段、发布日期和引用位置。模型可以帮你找矛盾、列证据、标出待核实项，但不能因为它写得顺，就把一句推测当成事实。

比如节目里要说“多数 RAG 项目没有评估集”，如果手里没有可靠调查，就不要硬塞一个比例。可以改成：“行业里经常能看到只凭几次手测判断效果的项目。”

听起来没那么炸，但经得起追问。

资料整理完成后，先做一次来源检查。

审核者能看到这期准备回答什么问题、用了哪些来源、还有哪些内容没核实。来源不清就退回，不进入脚本生成。它更像编辑的日常核对，后面三道正式闸门留给脚本、声音样片和最终成片。

3. 脚本不是一整块文本，而是一张台词表

很多人让大模型一次性输出完整对话，然后直接丢给 TTS。

这么做最省步骤，也最容易翻车。

长脚本里只要有一个角色名写错、一个英文缩写读歪，后面就得重新切分。更稳的办法，是让模型按结构化格式输出：

- segment_id

- speaker

- text

- emotion

- pause_after_ms

- pronunciation_note

- source_ref

每一句台词都知道是谁说的、说完停多久、哪个术语需要特殊读法、事实来自哪里。

“小安”不负责假装懂技术，她的任务是追问：“这句话普通人该怎么理解？”

“小奇”也不能连续讲五分钟。每隔一两段就要被打断、举例或者回到问题。

这才像对谈。把两段百科摘要轮流朗读，不叫双人播客。

脚本完成后进入第一道人工作业闸门：脚本批准。

人要重点看三件事：有没有事实错误，有没有嘴上根本说不出来的句子，两个角色的功能有没有混在一起。

4. 多角色配音，先做试听样片

脚本通过后，n8n 按 speaker 分流。

“小安”的台词调用 Voice A，“小奇”的台词调用 Voice B。每段音频保存自己的文件地址、时长、生成次数、费用和状态。

别一上来就生成整期。

先从开头、中段和结尾各抽一小段，合成 30 到 60 秒试听样片。这就是第二道人工作业闸门。人确认语速、音色、角色区分和术语读音后，再批量生成剩余台词。

这一步能省掉很多冤枉钱。声音模型参数不对时，整期重做远比三段试听贵。

如果某一段失败，n8n 只重试这一段，不重新生成已经成功的 80 段。连续失败超过阈值，就停下来通知人，而不是无限重试把额度烧光。

声音克隆也要在这里设死规矩：只使用自有声音、获得明确授权的声音，或者平台提供的合法预设音色。不要默认模仿真人、嘉宾或公众人物的声音。声音像谁，从来不是一个纯技术问题。

5. 合成不是把 MP3 首尾相接

所有台词生成后，工作流进入音频合成。

最基础的处理包括：

- 按台词顺序拼接

- 插入自然停顿

- 统一采样率和音量

- 处理过长静音与爆音

- 加入片头、片尾和转场

- 导出节目文件与试听版

如果还要加背景音乐，必须提前维护可用素材库和授权信息。音乐文件不能只记录一个地址，还要记录来源、许可范围和到期时间。

n8n 可以负责挑选“已授权且适合科技栏目”的音乐，不能替你判断一段音乐用了会不会侵权。

成片出来后进入第三道人工作业闸门：最终音频批准。

审核者最好真的戴耳机从头听一遍。文字审核通过，不代表音频就没问题。重复台词、错位停顿、角色串音、英文读音和突然变大的背景音乐，只有听的时候才暴露。

6. 先生成发布草稿，再让数据回来

最终批准后，工作流可以自动生成：

- 节目标题

- Show Notes

- 时间轴

- 引用资料

- 封面文案

- 平台简介

- 社交媒体预告

但我不建议默认全自动公开发布。

更稳的做法，是先把音频、标题和简介写入播客托管平台的草稿，或者存进云盘并通知负责人。人最后检查一次，再点发布。

发布后，播放量、完播率、跳出位置、收藏、评论和订阅变化可以定期回流到选题表。

下一期不需要机械复制“播放最高的题”。你更该看：听众在哪一段离开，是开头太慢，还是解释太绕；哪类问题留言最多，说明哪里还没讲透。

数据回流不是给模型发奖状，是帮编辑决定下一期怎么改。

内容工作流真正折磨人的，通常不是主流程，而是异常。

TTS 接口超时了怎么办？

某句台词超过接口长度限制怎么办？

音频生成成功了，但返回地址半小时后失效怎么办？

审核者两天没回复，这一期要继续等还是自动提醒？

节目已经合成，才发现第 37 段引用错了，是整期重做，还是只替换这一段？

这些事大模型不会主动替你收拾。

n8n 可以给每一期节目维护一张状态表：

- research_pending

- outline_review

- script_review

- voice_sample_review

- tts_generating

- audio_composing

- final_review

- draft_ready

- published

- failed

每个环节只处理符合条件的任务。失败时记录最后一个节点、错误信息、重试次数和关联文件，再把通知发给对应的人。

n8n 官方文档也提供错误工作流：主工作流执行失败后，可以触发单独的 Error Trigger 流程，把失败节点、错误信息和执行记录发到邮件或 Slack。此前成功的执行数据还能被重新载入，用来定位问题。

如果工作流里用了 AI Agent，n8n 还支持在特定工具执行前暂停，发送审批请求。审核者可以批准，也可以拒绝。公开发送、修改记录、删除数据、购买和发布这类动作，本来就应该多一道闸门。

自动化的价值，不是永远不出错。

是出错以后，你知道错在哪，不用从头翻聊天记录、文件夹和十几个平台找尸体。

第一个坑，是把文章摘要直接当播客。

书面文字可以密，耳朵接不住。脚本必须有追问、重复、例子和停顿。读起来顺，不等于听起来顺。

第二个坑，是让两个角色说同一种话。

如果主持人和嘉宾都在输出完整答案，多角色只剩下两个音色。角色的差异应该先写进任务，再写进声音。

第三个坑，是先追求全自动发布。

刚搭好流程时，最该自动化的是搬运、拆分、状态记录和失败提醒。审核不应该第一个被删掉。

第四个坑，是忽略成本阈值。

长脚本、多角色、反复重试都会吃掉 TTS 额度。每一期、每一段都要记录生成次数和费用。达到阈值就暂停，别让一个标点错误触发十轮重做。

第五个坑，是把声音和音乐当免费素材。

声音克隆需要授权，嘉宾身份不能伪造，背景音乐也有许可范围。工作流里应该保留素材来源和授权记录，而不是等平台下架后再补课。

别先画一张 80 个节点的流程图。

第一版只做六件事：

1. 手动填一个选题和三条可靠资料。

2. 让模型生成两人对话台词表。

3. 人工批准脚本。

4. 用两个合法音色生成 3 分钟音频。

5. 人工试听后合成最终文件。

6. 把成片和 Show Notes 存进一个固定文件夹。

先看这 3 分钟到底好不好听，再决定要不要加 RSS、自动搜集、平台草稿、数据回流和多渠道分发。

很多自动化项目死掉，不是节点不够多，而是第一版就想把所有人赶出流程。

播客尤其不适合这么干。

机器可以把资料搬得很快，把台词拆得很细，把声音生成得越来越像真人。可节目有没有判断，哪些话该停一下，哪句解释听着像在背说明书，最后还是要有人听。

n8n 负责把这群人和工具接起来。

至于节目值不值得听，别让工作流替你回答。

以上，既然看到这里了，如果觉得不错，随手点个赞、在看、转发三连吧，如果想第一时间收到推送，也可以给我个星标⭐～

谢谢你看我的文章，我们，下次再见。