生成式 AI 用途：從音訊檔案生成 Podcast

Last reviewed 2025-12-12 UTC

本文提供應用程式的整體架構，這類應用程式會使用 AI 技術，根據音訊輸入內容生成 Podcast。

本文的目標讀者包括架構師、開發人員和管理員，他們負責在雲端建構及管理媒體和行銷產業的生成式 AI 應用程式。本文假設您已具備生成式 AI 的基礎知識。

本文的「部署」部分提供生成式 AI 工作負載的程式碼範例，這些工作負載涉及多模態輸入和輸出格式。

架構

下圖顯示 Podcast 製作應用程式的架構。 Google Cloud這項應用程式會運用 AI 技術，根據音訊檔生成 Podcast，例如體育賽事的現場評論。

生成式 AI 應用程式架構：從音訊檔案生成 Podcast。 生成式 AI 應用程式架構：從音訊檔案生成 Podcast。

架構的流程如下：

  1. 使用者將音訊檔上傳至 Cloud Storage bucket。
  2. Eventarc 會觸發 Cloud Run 服務。
  3. Cloud Run 服務會將音訊檔案傳送至 Speech-to-Text。
  4. Speech-to-Text 會產生音訊檔案的轉錄稿，並標示時間戳記。

  5. Cloud Run 服務會將轉錄稿傳送至 Gemini API，並提示生成 Podcast 腳本。

    舉例來說，提示可以是根據賽評中的特定關鍵字，為 15 分鐘的體育賽事精華播客生成腳本。

  6. Gemini 生成 Podcast 腳本草稿。

  7. Cloud Run 服務會將草稿指令碼傳送給使用者。

  8. 使用者檢查並編輯腳本草稿，然後將最終腳本傳送至 Text-to-Speech。

  9. Text-to-Speech 會生成 Podcast 音訊檔案。

使用的產品

這個範例架構使用下列 Google Cloud 產品：

  • Speech-to-Text：這項 API 採用 Google 的語音辨識技術，可將音訊轉錄為文字。
  • Gemini Enterprise Agent Platform：全方位平台，可建構、擴充、管理及最佳化調整企業級的 AI 代理。
  • Text-to-Speech：可根據文字建立自然的合成人類語音。
  • Cloud Storage：適用於多種資料類型的物件儲存庫，成本低廉且沒有限制。 資料在 Google Cloud 內外都能存取，且會複製到多個位置，以便提供備援機制。 Google Cloud
  • Cloud Run：無伺服器運算平台，可讓您在 Google 可擴充的基礎架構上直接執行容器。
  • Eventarc：無伺服器解決方案，可非同步轉送由事件觸發的訊息。

部署作業

如要試用 Google Cloud 產品，處理涉及多模態輸入和輸出格式 (例如音訊和文字) 的工作負載，請嘗試下列程式碼範例：

後續步驟

貢獻者

作者：Kumar Dhanagopal | 跨產品解決方案開發人員

其他貢獻者：