【全栈实践】第一个 AI Agent 项目：从零搭建 AI 音频创作助手（进阶篇）
内容提要
该项目是一个AI音频创作助手，新增播客后期制作功能，包括音频拼接、智能BGM选择和音轨混音，并添加音频资源管理API及语音输入。后端支持交叉淡入淡出、音量归一化，前端通过Web Speech API实现语音转文字，实现从上传、处理到成品的全链路闭环。
延伸解读
音频处理细节：从拼接参数到混音曲线
文章详细展示了音频拼接和混音的具体参数，如交叉淡入淡出时长（默认200ms）、静音间隔（默认1200ms，播客推荐1000-1500ms）以及BGM背景音量（推荐-24到-28dB）。混音时BGM音量变化分为开场、过渡和背景三个阶段，过渡阶段通过20步渐变实现平滑。这些参数直接影响播客听感，读者可根据实际需求调整。
智能BGM匹配的局限与扩展方向
当前BGM选择基于文件名与场景描述的关键词匹配，实现简单但依赖文件命名规范。文章提到“易于扩展为向量检索”，暗示未来可升级为基于音频内容或语义向量的匹配，以提升准确性和灵活性。读者在复现时需注意文件名需清晰描述场景，否则匹配效果可能不佳。
语音输入的前端实现与兼容性
语音输入基于Web Speech API，在浏览器端完成识别，无需后端支持，实现零延迟。但该API并非所有浏览器都支持，文章提到“不支持的浏览器自动禁用按钮”。此外，识别结果处理中加入了中英文空格智能判断，提升输入体验。读者需注意浏览器兼容性，并考虑在移动端的支持情况。
资源管理API的设计与潜在风险
新增的音频资源管理API支持上传、查询和删除，删除操作会同时移除索引记录和物理文件。但代码中直接使用os.remove删除文件，未处理文件不存在或权限错误等异常，可能导致服务报错。此外，上传接口仅校验扩展名，未校验文件内容，存在安全风险。读者在扩展时需加强异常处理和文件校验。
Q&A
这个AI音频创作助手进阶版新增了哪些核心功能？
新增了完整的播客后期制作能力，包括音频拼接、智能BGM选择、音轨混音三大核心功能，同时新增了音频资源管理API和语音输入功能。
音频拼接工具支持哪些过渡效果？
音频拼接工具支持交叉淡入淡出过渡（crossfade）和静音间隔拼接两种模式，默认静音时长为1200ms，播客推荐1000-1500ms。
智能BGM选择工具是如何匹配背景音乐的？
智能BGM选择工具基于文件名与场景描述的关键词匹配度打分，选择得分最高的BGM，必要时循环或裁剪以匹配目标时长，也支持直接指定BGM文件路径。
音频混音工具如何实现专业的BGM开场效果？
音频混音工具将BGM分为三段处理：开场段（默认3秒）以原音量播放，过渡段（约2秒）音量渐变至背景音量，后续阶段BGM降低至约5%音量作为背景。
音频资源管理API提供了哪些接口？
提供了三个接口：GET /resources/audio 查询所有音频资源列表，POST /resources/audio/upload 上传音频文件（支持.mp3和.wav），DELETE /resources/audio/{id} 删除指定音频资源。
前端语音输入功能是如何实现的？
前端语音输入基于Web Speech API（SpeechRecognition）实现，默认语言为中文（zh-CN），支持连续识别和中间结果，识别完成后自动将文字填入输入框，并智能处理中英文空格。
使用这个AI音频创作助手制作播客的完整流程是什么？
流程包括：准备阶段上传背景音乐到storage/bgm/目录；对话生成阶段Agent调用TTS工具生成多个角色的语音片段；音频拼接阶段调用concatenate_audio工具拼接对话；BGM选择阶段调用select_background_music工具匹配背景音乐；混音合成阶段调用mix_audio_with_bgm工具生成最终播客成品；最后通过前端查看、播放、删除所有音频资源。
升级到进阶版需要安装哪些依赖？
需要安装pydub库（pip install pydub），并确保系统安装了FFmpeg（macOS使用brew install ffmpeg，Ubuntu使用sudo apt install ffmpeg）。
