用 Google Gemini 将 PDF 转为 AI 播客

上传 PDF → Gemini 生成对话脚本 → TTS 合成语音 → 输出 WAV 音频

给谁

内容创作者、教育工作者、研究者、营销人员，希望将书面内容转为音频

你会得到

将 PDF 文档自动转换为 5-7 分钟的自然对话式播客音频（WAV 格式）

你需要

n8n

步骤

1. 配置凭证与语音

   在 n8n 的 Credentials 中添加 Google Gemini(PaLM) API 账户。获取 API 密钥地址：https://aistudio.google.com/。如需调整音色，在后续步骤的 voiceName 字段中选择 Kore（专业）、Aoede（对话）或 Laomedeia（活力）。

2. 上传 PDF 并提取文本

   使用 Manual Trigger 节点启动工作流，上传 PDF 文件。Extract from File 节点以 operation=pdf、binaryPropertyName=data0 提取文本内容。

3. 生成播客脚本

   将提取的文本传入 Basic LLM Chain 节点，由 Google Gemini Flash 2.0（models/gemini-2.0-flash-001）生成对话式播客脚本。

   运行提示词 · 来源原文。Basic LLM Chain 节点的 messages.messageValues[0].message 字段

   复制提示词

   =Create an engaging podcast script based on the following content. The script should be exactly 5-7 minutes when read aloud (approximately 750-1000 words).  CONTENT TO DISCUSS: {content}  STYLE: {style}  PODCAST SCRIPT REQUIREMENTS: 1. Start with: "Welcome to our AI-generated podcast. Today we're diving into..." 2. Structure: Introduction, 2-3 main discussion points, conclusion 3. Use natural conversational language 4. Include smooth transitions between topics 5. Add brief pauses with periods and commas for natural speech 6. Avoid complex punctuation that might confuse TTS 7. End with: "Thanks for listening! This has been your AI podcast." 8. Write ONLY the spoken content (no stage directions) 9. Keep sentences moderate length for clear speech 10. Use engaging storytelling techniques

4. 准备 TTS 请求体

   Code 节点将脚本文本封装为 Gemini TTS API 的请求体，指定 responseModalities 包含 AUDIO，并设置语音配置。

   运行提示词 · 来源原文。Code 节点 'Prepare TTS Request' 的 jsCode 字段

   复制提示词

   const script = $input.first().json.text;
   const voiceName = $input.first().json.voiceName || "Kore";
   
   return {
     json: {
       requestBody: {
         contents: [{
           parts: [{
             text: script
           }]
         }],
         generationConfig: {
           responseModalities: ["AUDIO"],
           speechConfig: {
             voiceConfig: {
               prebuiltVoiceConfig: {
                 voiceName: voiceName
               }
             }
           }
         }
       }
     }
   };

5. 调用 Gemini TTS 生成语音

   HTTP Request 节点向 https://generativelanguage.googleapis.com/v1beta/models/gemini-2.5-flash-preview-tts:generateContent 发送 POST 请求，使用 googlePalmApi 凭证认证，请求体来自上一步的 requestBody。

6. 处理音频响应并保存 WAV

   Code 节点解析返回的 base64 音频数据，解码为 PCM16 字节流，添加 WAV 头（采样率 24000Hz、单声道、16bit），最终由 Write Binary File 节点保存为 .wav 文件。

   运行提示词 · 来源原文。Code 节点 'Process Audio Response' 的 jsCode 字段

   复制提示词

   const response = $input.all()[0].json;
   
   console.log('=== GEMINI TTS DEBUG ===');
   console.log('Response status:', response.candidates?.[0]?.finishReason);
   
   if (response.candidates?.[0]?.finishReason === 'STOP') {
     try {
       // Get the base64 audio data
       const base64AudioData = response.candidates[0].content.parts[0].inlineData.data;
       const mimeType = response.candidates[0].content.parts[0].inlineData.mimeType;
       
       console.log('Audio data length:', base64AudioData.length);
       console.log('Mime type:', mimeType);
       
       // CRITICAL FIX: Properly decode base64 to actual audio bytes
       const actualAudioBytes = Buffer.from(base64AudioData, 'base64');
       
       console.log('Decoded audio size:', actualAudioBytes.length);
       
       // Create WAV file with proper PCM16 format
       const sampleRate = 24000;
       const channels = 1;
       const bitsPerSample = 16;
       
       // Create WAV header
       const wavHeader = createWavHeader(actualAudioBytes.length, sampleRate, channels, bitsPerSample);
       const wavFile = Buffer.concat([wavHeader, actualAudioBytes]);
       
       const filename = `tts_fixed_${Date.now()}.wav`;
       
       return {
         json: {
           success: true,
           filename: filename,
           audioSize: wavFile.length,
           audioSizeMB: (wavFile.length / 1024 / 1024).toFixed(2),
           originalBase64Length: base64AudioData.length,
           decodedAudioLength: actualAudioBytes.length
         },
         binary: {
           audio: {
             data: wavFile,
             mimeType: 'audio/wav',
             fileName: filename
           }
         }
       };
       
     } catch (error) {
       return {
         json: {
           success: false,
           error: error.message,
           step: 'audio_processing'
         }
       };
     }
   } else {
     return {
       json: {
         success: false,
         error: 'TTS generation failed',
         finishReason: response.candidates?.[0]?.finishReason || 'unknown',
         response: response
       }
     };
   }
   
   // Helper function to create WAV header
   function createWavHeader(dataLength, sampleRate, channels, bitsPerSample) {
     const byteRate = sampleRate * channels * bitsPerSample / 8;
     const blockAlign = channels * bitsPerSample / 8;
     const header = Buffer.alloc(44);
     
     // "RIFF" chunk descriptor
     header.write('RIFF', 0);
     header.writeUInt32LE(36 + dataLength, 4);
     header.write('WAVE', 8);
     
     // "fmt " sub-chunk
     header.write('fmt ', 12);
     header.writeUInt32LE(16, 16); // Sub-chunk size
     header.writeUInt16LE(1, 20);  // Audio format (PCM)
     header.writeUInt16LE(channels, 22);
     header.writeUInt32LE(sampleRate, 24);
     header.writeUInt32LE(byteRate, 28);
     header.writeUInt16LE(blockAlign, 32);
     header.writeUInt16LE(bitsPerSample, 34);
     
     // "data" sub-chunk
     header.write('data', 36);
     header.writeUInt32LE(dataLength, 40);
     
     return header;
   }

你正在复现 n8n 模板 #4883：将 PDF 转为 AI 播客。请先确认已配置 Google Gemini(PaLM) API 凭证，并准备一份文本型 PDF（<10MB）。工作流核心链路为：提取 PDF 文本 → Gemini 2.0 Flash 生成 750-1000 字对话脚本 → 封装 TTS 请求 → 调用 gemini-2.5-flash-preview-tts → 解码 base64 音频并包装为 WAV → 保存文件。如需调整风格，修改 Generate Podcast Script 节点的 message 内容；如需换音色，修改 Prepare TTS Request 中的 voiceName 变量。