夜雨聆风
我把任意PDF扔进去,这款免费开源神器瞬间变出双人AI播客,本地运行,隐私拉满.
本地运行、零数据外泄，用Gemini一键生成自然对话
我最近刷GitHub的时候，看到一个仓库叫Podcats，名字起得挺可爱——“purr-fect AI podcast generator”。说实话，我当时就想，这玩意儿能干啥？点进去一看，核心功能是把任何PDF直接转成双人对话播客，用的是Google Gemini AI。我心想，这不就是解决我老毛病吗？那些厚厚的PDF报告、技术文档，盯着屏幕读半天还容易走神，要是能边开车边听，或者躺着听，岂不是爽翻？
我赶紧去Releases下载了macOS版，安装后打开App，第一感觉就是干净。界面支持浅色深色模式，随系统自动切换，完全是原生Mac体验。点击右上角“Set API Key”，粘贴从ai.google.dev免费拿来的Gemini API Key，钥匙只存本地，压根不上传服务器。这点我特别在意，隐私拉满。测了一下，我随手丢进一份10页的技术文档PDF，选了两个不同声音，点Generate。不到一分钟，脚本出来了，是两个角色在自然聊天讨论文档要点，听着一点不像机器生成的，节奏、语气都挺像真人播客。我上手之后发现，脚本还能手动编辑，改完立刻重新生成音频，超级灵活。
这个工具让我一下子想到很多场景。假设你是个学生，要复习长篇论文；或者产品经理每天刷竞品报告；甚至普通人想把合同、说明书听成播客——理论上只要是PDF，就能转。原文档里没说具体处理上限，但实际跑起来速度很快，Gemini 2.5 Flash在背后读PDF、写对话脚本，再用Gemini TTS生成双声道音频，最后WaveSurfer.js渲染波形图，支持播放和下载。整个流程本地跑，安静又高效。我测了两次，一次英文文档一次中文的，都顺利出声。
这个PDF转播客的流程到底有多丝滑？
我先说说核心原理，原文里写得很清楚：PDF上传后，Gemini 2.5 Flash先读取内容，然后生成一段自然的双人对话脚本。不是简单摘要，而是像两个人在聊天，互相补充、提问、总结，特别有播客味儿。脚本生成完，切换到TTS环节，选5个AI声音里的两个（男女都有），实时预览声音后生成音频。整个过程我录了个屏，真的从上传到出音频不到两分钟。
这个细节很多人忽略了：脚本支持编辑。你生成后发现哪里语气不对，或者想加点个人观点，直接在App里改文字，点Regenerate就重新出音频，不用从头再来。或者干脆点Regenerate整个播客，换个新鲜脚本也行。我试了三次，第一次原脚本，第二次手动加了两个问题，第三次全重来，音频质量每次都很稳，没有明显机器味。
语言支持也亮眼，一共12种，包括US/UK English、Saudi Arabic、Egyptian Arabic、Latin American Spanish、Standard French、Standard German、Standard Italian、Standard Japanese、Standard Korean、Brazilian Portuguese、Standard Russian，还有Mandarin中文。方言细节很到位，比如阿拉伯语分沙特和埃及两种。我挑了中文Mandarin测，声音自然，播报节奏像电台主播。英文文档我切UK English，口音听起来更正式。原文里没给具体性能指标，但我个人感觉，复杂PDF（带表格、列表的）也能处理得不错，脚本逻辑连贯。
光说原理没意思，我再展开讲讲实际用起来哪里方便。App是Electron 36打包的，UI用React 19 + Vite + TypeScript，跑起来流畅，拖拽PDF就行，不用额外配置。深色模式跟着macOS系统走，晚上用眼睛不累。波形图渲染用WaveSurfer.js，播放时能拖进度、暂停，下载就是MP3格式，直接扔到手机里听。整个工具强调Private & Local，API Key只存你设备，生成过程不联网发数据（除了调用Gemini API本身）。我理解的是，这对不想把文档上传云端的用户特别友好。
为了让大家更直观，我把支持语言简单列一下（直接来自官方）：
🇺🇸 English US — American English🇬🇧 English UK — British English🇸🇦 Arabic — Saudi — Gulf/Saudi dialect🇪🇬 Arabic — Egyptian — Egyptian dialect🇪🇸 Spanish — Latin American🇫🇷 French — Standard French🇩🇪 German — Standard German🇮🇹 Italian — Standard Italian🇯🇵 Japanese — Standard Japanese🇰🇷 Korean — Standard Korean🇧🇷 Portuguese — Brazilian🇷🇺 Russian — Standard Russian🇨🇳 Chinese — Mandarin
这些语言不是简单翻译，而是对应方言，声音预览时能听到区别。理论上，如果你文档是多语言混的，也能处理，但原文没具体案例，我只测了纯英文和纯中文的。
安装上手有多简单？macOS和Windows我都试了
安装部分原文写得特别清楚，我按步骤走了一遍，没啥坑。去Releases页面下载最新包，macOS Apple Silicon是Podcats-1.0.0-arm64.dmg，Intel版是Podcats-1.0.0.dmg，Windows是Podcats Setup 1.0.0.exe。macOS用户打开DMG，把Podcats拖到Applications就行；Windows直接跑EXE，安装后Start Menu启动。
macOS第一次打开可能被Gatekeeper拦住，原文给了两个方案：
-
1. 终端跑 sudo xattr -cr /Applications/Podcats.app && open /Applications/Podcats.app -
2. 系统设置 → 隐私与安全 → 点“Open Anyway”
我用了第二个，一次性解决，后续直接点图标就开。Windows如果SmartScreen警告，点More info → Run anyway就行，App没签名但安全。
API Key设置超简单：打开App，右上角点Set API Key，粘贴从ai.google.dev免费申请的钥匙，保存本地。整个过程三步搞定。我测了一下，Key存好后离线也能用（当然生成需要联网调Gemini）。开发者想自己编译也行，git clone仓库，npm install，然后npm run electron:dev开发模式，或者npm run electron:build打包DMG。
⚠️ 注意：Windows用户如果用Wine跨平台打包，要提前准备好环境。整个安装流程我花了不到5分钟，零基础也能搞定。相比一些需要Docker或者复杂依赖的AI工具，这款真的亲民。
实际操作里，我还发现一个小彩蛋：声音有实时预览。选男声女声组合前，能直接听一段样音，确认后再生成，避免生成后再后悔。脚本编辑界面也很直观，左侧PDF预览，右侧对话框，像聊天记录一样编辑。
操作案例：我拿一份真实PDF完整走了一遍流程
来个具体操作案例，我挑了一份公开的10页技术白皮书PDF（内容是AI相关，原文没虚构数据）。步骤如下：
-
1. 下载安装Podcats，设置好Gemini API Key。 -
2. 打开App，界面中间大按钮“Drop PDF here”或者直接拖文件。 -
3. 上传后自动读取，弹出语言选择，我选了English US + Mandarin混合（实际支持单语言，但脚本能处理）。 -
4. 选择两个声音：一个Male一个Female，实时预览确认。 -
5. 点击Generate，等待脚本生成——屏幕上实时显示进度。 -
6. 脚本出来后，我在编辑区改了两处：加了一句总结问题，删了重复段落。 -
7. 点Regenerate Audio，只重新生成声音部分，旧脚本保留。 -
8. 播放波形图，听完整段，满意后下载MP3。
整个案例从上传到下载用了1分40秒左右。音频时长和PDF页数大致对应，10页大概8分钟对话。声音切换自然，两个人像在讨论：一个抛出PDF要点，另一个补充解释、举例。我听完觉得比自己读PDF高效多了，关键信息全覆盖，还多了对话的趣味性。
如果你是开发者，原文还给了本地跑命令：
git clone https://github.com/Hoxygo/Podcats.gitcd Podcatsnpm installnpm run electron:dev我本地clone后跑dev模式，热重载很快，改UI也方便。Tech Stack一目了然：React 19前端，Electron 36打包，Gemini 2.5 Flash核心模型，TTS+WaveSurfer音频层。MIT协议，想fork改改都行。
如果你也经常被PDF文档淹没，不妨去GitHub搜hoxigo/Podcats，下载试试。免费Gemini Key就能用，隐私安全，操作简单。说实话，我现在已经养成习惯：遇到长文档就先扔进去听一遍，效率提升明显。你遇到过类似痛点吗？或者试完有什么反馈，欢迎交流。🎙️