Realtime 播客生成

要解决什么问题

把长文或脚本变成可听的播客，常见做法是接 TTS 再拼文件，延迟高、口播感弱，也很难在生成过程中同步展示字幕。本技能面向 Azure OpenAI Realtime API（文档中的 GPT Realtime Mini 场景）：用 WebSocket 从文本提示流式拉取音频块，并同时拿到转写增量，便于边生成边播放。

技能如何工作

整体链路可以概括为五步：

1. 为 Realtime API 配置环境变量（注意：端点只用基础 URL，不要带 /openai/v1/）。
2. 连接 Azure 的 Realtime WebSocket 端点。
3. 发送文本提示，监听 response.output_audio.delta（Base64 音频块）与 response.output_audio_transcript.delta（转写文本）。
4. 用 scripts/pcm_to_wav.py 将 PCM（24kHz、16 位、单声道）转为 WAV。
5. 将 Base64 编码音频交给前端播放；response.done 表示生成结束，错误走 event.error.message。

音色可在 alloy / echo / fable / onyx / nova / shimmer 间切换（从中性到低沉、清晰等风格）。更完整的栈设计与生产示例见资料中的 references/architecture.md 与 references/code-examples.md。

适用边界与注意点

• 依赖 Azure OpenAI 与 Realtime 端点可用性，不是通用离线 TTS。
• 输出格式固定为 PCM 流再转 WAV，前端需能处理 Base64 音频。
• 流式事件模型需在后端正确订阅与收尾，避免只收音频不收 response.done 导致状态悬空。