AI播客的三种毛病：脑补、删论据、漏读

文 | 象先志

各个信息流平台都在推音频化， AI工具也扑在 “ 一键生成播客 ” 这个形式上。但这个 “ 一键生成 ” ，结果可能并不那么好。

做深度文章，靠的是实打实的数据、鲜明的立场，还有前后能串起来的逻辑。如果AI播客化连这些底子都保不住，那一键按下去，播客里放的就不是你的文章了。

为了验证这个，我从我们以往的文章里节选了两段素材，交给扣子去重构内容并录制播客。

第一段内容是不到六百字的财务分析，我叫它A段，硬数字密集，测的是AI对精确信息的保真度。

另一段三百多字，我叫它B段，立场极端、隐喻密集，测的是AI敢不敢保留尖锐判断。

如果这两关都过不了，那“一键生成”就是伪命题。

为了匹配不同的风格，我们选择了严肃对谈、娱乐相声、学术装逼 作为测试方向 。 先拿 A段摸底，看同一批硬数字在三种风格下分别会怎么处理。

B段只跑严肃和相声，深挖看看极端立场在严肃对谈里能不能保留，在娱乐相声里会不会被稀释成段子。学术风没跑B段，因为B段术语少，测不出学术风特有的漏词问题。

我们整体进行了多次测试，第一天A段相声模式的音频声线全乱，第二天B段相声声线几乎全女声还自动压缩，两天都翻车。第三天我用同样指令再跑一次，看这个风格到底能不能用。

对比的基准是微信文章阅读本身的“听全文”。“听全文”提供的是零改写，像新闻联播，没有情绪。这种"不出错但也不出彩"的状态，就是我们每天面对的现状。拿扣子做播客，本来是想打破这种平庸，结果发现事情没那么简单。

第一天：A段三种风格

我先测严肃对谈。新建对话，输入指令，扣子一次性吐出脚本和音频，五分钟搞定。脚本从五百七十字扩到近一千八，十九个硬数字全在。

我核对原文发现问题。“根本不在一个量级上”变成“差距已经拉开到四倍以上”。“增速掉到了10.42%”变成“几乎腰斩式下滑”。更隐蔽的是，AI在一段尖锐判断后自己加了一句：“最后说一句，我不是说WPS会死，基本盘还在。”素材里没有这句话，它自己补的缓冲。

音频里数字发音准确，问题全在脚本层。这一次，扣子把模糊判断改成了并无出处的精确数字，还给尖锐结论补了一层缓冲。

我换娱乐相声指令。和严肃版不同，这次扣子先出脚本，确认后再出音频。

脚本把不少精确数字给抹平了，小数点后面的尾数被砍掉，15.78%干脆没出现。八个数字被模糊化，一个直接丢了。

但比数字更严重的是声线。脚本写了AB两个角色，A是女声，B是男声。结果音频里B的台词几乎全是女声在念，A的台词也混进了男声。声线全乱了，我根本没法往下听，只能对着脚本一个字一个字核对。双人播客变成单口乱炖。

AI写的梗（“月薪对比马斯克”“小卖部对沃尔玛”）也偏安全牌，没有真正的脱口秀节奏。我要求的交锋没执行，结果变成A主导、B捧哏的吐槽大会。

我换学术装逼指令。同样先出脚本，确认后再出音频。脚本把“写文档、拉表格”升级成“Document Authoring、Spreadsheet Manipulation”，术语密度拉满，十九个数字全保留，甚至带小数点。

但音频生成后，我逐句核对发现漏词。脚本里“Formatting”这个词，音频里直接没了。“数据飞轮转起来，Model Iteration加速”这句也漏了半截。术语一多，就开始漏词漏句。

听感上就是一堆中英文混杂往外蹦，确实装逼，但不知道是真专业还是假专业。你听到的只是碎片，完整句子早没了。

第二天：B段两种风格

第一天A段相声声线完全混乱。第二天测B段时，我在指令里加了约束：“A男声B女声，严格分配，不准混用”。

我先测B段严肃版。素材换成“.md正在杀死.wps”。

“杀死”这个词保留了。但AI在前面加了缓冲垫：“这话听着狠，但事实就是……”关键词没删，但先垫了一层软垫。

交锋质量比A段好，十二轮硬碰硬，B全程为.wps辩护，没倒戈。声线也对了，A是男声B是女声，没串台。

回头看：严肃风信息保真度最高，数字和立场都保留了，但AI会在旁边偷偷加料。

我换相声指令测B段。脚本先生成，有三页纸。然后扣子提示“脚本太长，精简一下”，自动压缩后才生成音频。

压缩掉了什么？“中国十亿打工人，九个半在用WPS”，这段内容没了。“以前你花两百块买WPS会员，买的是排版能力。现在AI三秒给你排好，这两百块还值吗？”这段也没了。

结局也从互不相让，变成“赢家是.ai”。完全变成和稀泥了。

更麻烦的是，这个决定AI在后台就做了，根本没问你。

声线方面，还是同样的问题。几乎全是女声，只有一句“好好好，我换个说法……”是男声。完全听不出是两个人在对话。

第三天：B段相声复测

前两天相声都翻车，第三天我用一模一样的指令再跑一次B段相声。这次脚本七百五十字，扣子没有被提示“太长”，确认后生成音频。声线分配正确，A男B女，没有串台。内容完整，没有被压缩。

这次终于像回事了，分得清两个人在说话，有相声味，但也没那么好笑。

三次相声两次翻车。第一天A段没加约束，声线全乱；第二天B段加了约束，仍然几乎全女声；第三天加了约束，才正常。这个风格本身就不稳定，第三次跑通，反而像抽卡抽中了。

注：学术装逼风格仅测试A段，B段未覆盖。

总结

把这些放在一起看，严肃风保真度最高，但AI在旁边偷偷加料，模糊就脑补，尖锐变温和。相声风问题最杂，数字被抹平，论据被压缩，声线分配三次里两次翻车。学术风是术语一多就漏词漏句。

这次测试只测了扣子，但我看到的改稿倾向反复出现。它把“不在一个量级”翻译成具体倍数，给“杀死”前面加“这话听着狠”，脚本太长时直接压缩掉三分之一。这三种操作，在这次六档音频里没缺席过。

而深度内容恰恰需要"精确、尖锐、有立场"。

那怎么办？

如果非要用AI做播客，几条基于实测的建议：

第一，脚本和音频分步走。先锁死脚本，人工逐句核对后再生成音频，绝不“一键”。

第二，长文最好分段生成。至少能降低脚本被自动压缩的风险。

第三，单声线朗读加人工校对是目前保真度最高的方案。牺牲表现力换完整度。

还有两个方向这次没测，但值得下一轮验证：指令里多写“禁止项”能不能减少脑补；关键数字写成文字（“五十九点二九亿"）能不能避免被四舍五入。

在这六次测试里，生成播客都不只是朗读。严肃版在制造伪精确，相声版丢了数字和论据，学术版漏词漏句。

所以这还是一种权衡，选择风格之前，先弄清你到底想保留哪部分的内容。