对话式AI写播客剧本：结构卡、逐段生成与气口标记

做播客的人大概都经历过这种状态：录前一周焦虑选题，录前三小时赶稿，录完发现三分之一的内容在废话里打转，剪的时候一边删一边心疼自己白熬的夜。我给几家中小品牌做定制播客这两年，最耗时间的环节从来不是录音本身，而是剧本。一集三十分钟的节目，硬写脚本要六到八小时，改三遍才算勉强能进棚。真正的转折发生在把对话式 AI 工具拉进流程之后——注意，不是让它替我把稿子写完，而是让它替我干掉那些纯体力的活儿：搭骨架、铺素材、把书面语翻译成嘴巴能说顺的话、给每个段落标上气口。这一篇就把这套播客剧本写作的完整打法摊开讲，从怎么跟 AI 提需求、怎么控制 AI 味、怎么把字数换算成时长、怎么接商单报价，到那些任何教程里都不会写的坑。无论你是刚起步的个人主播，还是接品牌内容单的自由职业者，或者只是想给自家产品做一档音频栏目，下面这套流程基本可以直接抄作业。

1. 先把播客剧本这件事拆明白

1.1 播客剧本和图文稿完全是两个物种

很多人做播客的第一反应是：把我公众号那篇文章念一遍不就完了。我试过，效果惨不忍睹。原因很朴素——阅读和收听是两种完全不同的信息接收方式。读者手里有主动权，看不懂可以回看，觉得啰嗦可以跳读，眼睛扫两行就能判断这段值不值得看。听众没有这个权力，他被时间绑住了，声音是一条单向流动的线，过去了就是过去了，倒回去重听的成本高到大多数人直接放弃。这个底层差异会推导出一连串写作上的连锁反应。

最直接的一条是信息密度必须砍下来。一篇三千字的图文，熟练读者七分钟扫完，信息点全部拿到；同样三千字念出来接近十五分钟，而且听众能记住的往往不到三成。所以我的经验值是：播客的口播稿信息密度大概只有图文的三分之一到二分之一。你写图文时习惯的"每个段落都塞满观点"，挪到音频里就变成了连环炮，听众听完一片空白，什么都留不下。正确做法是反过来，一集节目只讲一个核心命题，用三到四个支撑点去喂它，每个支撑点配一到两个具体案例，剩下的全删。

第二条是句子结构必须重做。书面语里有大量"耳朵的敌人"：长定语从句、括号里的补充说明、分号、顿号堆出来的并列结构，还有"此外""然而""鉴于""综上"这类只有眼睛才认得出来的连接词。我给 AI 下过一条死命令，任何一句超过三十五个字必须拆开，"鉴于当前市场环境的复杂性"这种句子一律换成"现在这个市场，说实话挺乱的"。你可能会觉得这样写显得没文化，但播客要的从来不是显得有文化，是让人听得懂。

第三条反直觉：重复在书面是毛病，在音频是功能。写文章时同一个结论出现两次，编辑会打回来让你删；做播客时，一个关键结论至少要用不同措辞出现两到三次，听众才真的接得住。第一遍是抛出，第二遍是举例强化，第三遍是收尾确认。这三遍不能是同一句话说三遍，那叫啰嗦；得是同一个意思换三个角度说，那叫节奏。

1.2 三种主流节目形态，对应三套完全不同的写法

拿到一个选题，第一步不是打开 AI，是先确认这集节目属于哪一类形态，因为形态决定了剧本的骨架，骨架错了后面全是白费。

独白型是最常见的，一个人对着麦克风讲二十分钟。这种形态的剧本本质是一篇"口语化的演讲稿"，但难点在于抗疲劳。一个人说话超过八分钟，听众的注意力必然往下掉，所以独白稿必须每隔五到七分钟埋一个转折或者一个具体故事，把注意力重新拽回来。写独白稿时我特别依赖案例，抽象论述最多连续说四十秒，就必须切进一个"我朋友遇到过这么一件事"之类的具体场景。

对谈型是两个人或三个人，靠角色分工制造张力。这种节目最忌讳的就是"两个人互相点头"，听着像开会。所以对谈稿的重点不是写台词，是写角色职能：谁负责提问把话头递出去，谁负责唱反调把话题推深，谁负责在最后收拢结论。我在给客户做双人节目时，会明确标注每一轮的"职能标签"，比如 A 抛问题、B 给反例、A 追问、B 收。台词本身只写关键句和过渡句，剩下的留给现场发挥，不然两个人念稿子那股僵硬劲儿隔着耳机都听得出来。

叙事型是旁白加采访素材加音效，类似音频纪录片。这种剧本要分轨写：旁白轨、素材轨、音效轨。旁白负责推进时间线，素材负责提供情绪和证据，音效负责转场。这种稿子对 AI 的依赖度最低，因为情绪和现场感是 AI 补不出来的，但 AI 在整理采访素材、提取金句、排时间线这几件事上效率极高。

还有一类绕不开的，品牌定制播客。它介于内容与广告之间，客户要的是品牌理念被听见，但不能听着像广告。这类稿子的核心技巧是把品牌价值翻译成"一个具体的人的具体困境"，让听众先共情困境，再自然滑到解决方案。直接念卖点的稿子，完播率会难看到你想退钱。

1.3 我用的字数时长换算表

这一节是我踩坑最多的地方。刚开始接单时，客户说"我要一集二十分钟的节目"，我按图文经验写了四千字交过去，录音时发现才讲了十四分钟，只能现场硬凑，凑出来的部分全废。后来我把不同语速的换算关系实测了一遍，做成固定的换算表，现在报价和排期都靠它。

表里给的是"有效口播字数"，意思是已经扣掉了片头片尾、音乐过渡、停顿气口和临场发挥的空间。实际写稿时我会再多备百分之十的素材，因为录音现场总会遇到某段话说起来别扭必须替换，没有备料就得停机现想。还有一个容易被忽略的变量：对谈型节目里两个人的对话有大量重叠和抢话，实际成品的字数会比剧本字数少一截，所以对谈稿写得比独白稿长是正常的，别以为自己写多了。

2. 用 AI 搭骨架，而不是让它替你思考

2.1 从一句话选题到一张结构卡

我见过太多人用 AI 写稿失败，问题几乎都出在同一步：上来就说"帮我写一期关于职场沟通的播客稿"。这种需求给出去，拿回来的必然是四平八稳的八股文，因为你自己都没想清楚要讲什么，AI 只能拿平均值糊弄你。正确的做法是先手工做一张结构卡，把模糊的选题压成五个明确字段，然后再交给 AI 去做发散和填充。

这张结构卡我固定五个字段：这集只讲一句话的核心命题、听众是谁以及他现在卡在哪、听完之后他要能记住哪一个结论、支撑这个结论的三个点分别是什么、结尾我要他做一件什么具体的事。这五个字段填完，一集节目的骨架其实就已经立住了，AI 的作用变成了在这个骨架里帮你填血肉。举个实际操作中的例子，选题从"职场沟通"压缩到"为什么你越解释对方越不信你"，听众从泛泛的职场人收窄到"刚升管理岗、经常要给下属解释决策的人"，听完要记住的结论是"解释的顺序比解释的内容更重要"，三个支撑点分别是先给结论再给理由、先承认对方情绪再讲事实、先给时间边界再谈方案。到这一步，你手里握着的已经不是选题，是一个可以施工的图纸。

填完结构卡之后，我才会打开 AI，而且第一轮不要稿子，要角度。让 AI 围绕这个骨架给八到十个不同的切入角度，比如从一次失败经历切入、从一个反常识数据切入、从一句被误传的话切入、从一个具体场景切入。人从这十个里挑两个出来组合，往往比自己闷头想快得多。这一步的价值在于打破自己的思维惯性，我写久了会一直用同一种开场方式，AI 那些稍显笨拙的角度反而能把我拽出来。

2.2 开场六十秒决定了一半的完播率

播客的完播率基本在开场九十秒内就定型了。听众点进来那一刻的耐心极低，他在判断"这个声音值不值得我接下来花半小时"。所以开场稿我会单独拿出来反复打磨，绝不和正文一起糊弄。实测下来四种钩子最稳：反常识断言、具体场景、数字冲击、直击痛点。

反常识断言是"你以为 X，其实恰恰相反"，一句话把听众的既有认知掀翻，他为了搞清楚为什么就会留下来。具体场景是把镜头拉到一个有时间有地点有细节的画面，比如"上周三晚上十点多，一个做了六年产品的朋友给我发消息，说他今天在会上被问了一个问题，愣是没答上来"，这种开场天然带钩子，因为人对具体的故事有本能的追随欲。数字冲击适合干货类节目，但数字必须真实且足够意外，编造的数据一旦被听众抓住，整集的可信度就废了。直击痛点是直接说"如果你也遇到过这种情况"，用共鸣换停留。

这四种钩子有个共同的禁忌：开场十五秒内不要做自我介绍。我听过太多节目，开头是"大家好，欢迎收听某某节目，我是主播某某，今天我们来聊……"，这段话在听众耳朵里等于零信息，很多人就是在这十五秒里划走的。自我介绍放在钩子之后、正文之前，三五秒带过就行，听众已经决定留下，这时候他才有耐心认识你。

2.3 主体段落的信息节奏设计

一集三十分钟的节目，如果从头到尾维持同一个信息强度，听众在第十二分钟左右必然走神。所以我写稿时会刻意做出起伏，把三十分钟切成五到六个"乐句"，每个乐句有自己的小高潮。具体做法是给每个乐句定一个功能标签：铺陈、递进、转折、案例、收束。相邻两个乐句的功能不能重复，尤其不能连着两个都是铺陈，那样听着就是一片平。

我的经验是每七到八分钟必须出现一次明显的"地形变化"：或者是一个反转的观点，或者是一个有画面感的故事，或者是一段情绪强度突然拉高的表达。如果一段内容实在找不到变化点，那就用声音手段救——换一个说话的人、插一段音乐、加一段现场录音。这也是为什么我在写稿阶段就会标注"这里需要音乐垫"或者"这里插入采访片段"，而不是等录音时再想。

还有一个细节值得单独说：每个段落的最后一句要留钩子。书面写作习惯在段落结尾做收束，把话说圆；播客恰恰相反，段落结尾要留一个悬着的东西，比如"但这还不是最麻烦的地方"或者"问题就出在这儿"。这种半开的门比关严的门更能把人带到下一段去。

3. 提示词怎么写才不出 AI 味

3.1 一个可以反复复用的四层提示词结构

市面上讲提示词的内容多如牛毛，但大部分都在教你怎么写得更长更全。我的经验恰恰相反，好用的提示词不在于长，在于四个层次必须齐：身份、语境、约束、范例。缺任何一层，输出都会跑偏。

身份层决定语气。我会写"你是一位做了十年音频内容的老编辑，说话直接，讨厌空话套话，习惯用生活里的例子解释复杂概念"。语境层决定内容边界，把结构卡里的五个字段原封不动贴进去，再补一句"这一集是给刚升管理岗的人听的，他们有实际困惑，不需要被科普基础知识"。约束层是最关键的，也是最容易被省略的，它规定输出的形态：每句话不超过多少字、禁止使用哪些词、每个抽象概念必须配一个具体例子、必须标注停顿位置。范例层是很多人忽略的杀手锏，贴两段你自己写得满意的稿子进去，告诉 AI"照这个语感写"，输出质量立刻上一个台阶，因为范例比任何描述都精确。

这里给一个可以直接抄的骨架：

身份：你是一位做了十年音频内容的老编辑，写稿口语化，反感空话。 语境：这集节目时长 30 分钟，听众是【具体人群】，他们卡在【具体困境】。 本集核心命题是【一句话】，三个支撑点是【点1】【点2】【点3】。 约束：1. 单句不超过 30 字，超过必须拆开； 2. 禁用"此外、然而、综上、值得一提的是、在当今社会"等书面连接词； 3. 每讲一个抽象结论，后面立刻跟一个具体的人或场景； 4. 每 300 字标注一次换气位置，用【气】标记； 5. 数字用口语读法，"70%"写成"十个人里有七个"。 范例：【贴上你自己两段满意的稿子】 任务：先只输出这一集的分段大纲，每段标注功能标签和预计时长，不要写正文。

注意最后一句"先只输出大纲"，这一步非常关键。让 AI 一次输出整集稿子，它会在中段开始疲软，越写越水，还容易前后重复。分段来，一段一段喂，质量完全不一样。

3.2 让 AI 说人话的六个具体指令

第一个指令是句长上限。这个看着简单，效果却最明显。中文口语的自然句长其实很短，你随便录一段自己说话转成文字就能看出来，一句话超过二十五个字就开始绕。把上限卡死在三十字，AI 那些套娃式的长句会被强制拆开，读起来立刻松快。

第二个指令是禁用词表。我维护了一份自己的黑名单，包括"赋能、抓手、闭环、底层逻辑、生态、维度、助力、打造、深度、全面、有效、值得注意、不容忽视"这一长串。这些词在 AI 的默认语料里出现频率极高，一听就是机器写的。把它们列进提示词的禁止项，输出会干净很多。

第三个指令是每个抽象概念必须配一个具体例子。AI 特别擅长说正确的废话，比如"有效沟通能够提升团队效率"，这话没错但等于没说。逼它举例之后，输出会变成"你开完会说了半小时，下属点头如捣蒜，第二天交上来的东西还是错的，因为你讲的是你的逻辑，他要的是先干什么后干什么"。信息量立刻不一样。

第四个指令是加入口语连接词。书面语用"因此、所以、综上所述"，口语用"所以说、这么一来、你看、说白了、我跟你讲、问题就在这儿"。在提示词里明确要求穿插这些词，稿子念出来会自然很多。但别过头，一段里塞五个"说白了"就成口头禅了，一般每两百字出现一到两个比较合适。

第五个指令是标注气口。这是播客稿和普通文案最大的区别，普通文案不需要告诉你哪里该停，播客稿必须标。我一般要求 AI 每三百字标一次换气位置，重要的转折前标一个长停。录音的时候照着标记走，剪辑时能省掉大量修呼吸声的时间。

第六个指令是数字口语化。稿子里写"增长了 37.6%"，主播念的时候要么卡壳要么念得像新闻联播。让 AI 改写成"差不多每三个人里就多出一个"，既好念又好懂。同理，年份、金额、专有名词都要给口语读法，特别长的机构名第一次出现时最好给个简称的解释。

3.3 逐段生成和一次生成，为什么我选前者

这个问题我踩过很深的坑。早期图省事，让 AI 一次把整集稿子写出来，结果每次都遇到同样的三种崩法：中段开始跑题，越写越偏离核心命题；后半段大量重复前半段的观点，换了个说法而已；结尾突然拔高，来一段宏大叙事，跟前面完全不搭。原因不难理解，一次性输出时模型要同时兼顾结构、语气、信息量和长度，顾此失彼是必然的。

改成逐段生成之后，情况完全变了。我先让 AI 出大纲，人工确认每一段的功能和时长；然后一段一段写，每写完一段我自己读一遍，不合适当场改；改完再写下一段，并且把已经确认的前一段作为上下文一起喂进去。这么做有两个好处，一是每段都在人工把关下产出，不会出现整篇崩盘；二是有前文作为参照，AI 能保持语感连贯，不会这一段正经下一段亢奋。

代价是操作次数变多。一集三十分钟的稿子大概要分六到八轮，加上人工修改，整个流程我实测是两小时四十分钟左右，比硬写省了至少一半时间。而且省下来的不只是时间，还有那种写完之后浑身被掏空的感觉。

4. 实操：从零跑完一集三十分钟的商单

4.1 需求确认清单，一次问清楚省掉三轮返工

接商单最容易翻车的地方不是稿子质量，是理解偏差。客户说"我们想要一档有温度的节目"，你觉得温度是娓娓道来，他心里的温度是激情澎湃，来回改三轮，时间全浪费了。所以我现在固定用一张确认清单，签约前一次性问完。

这张表看着琐碎，但它救过我很多次。特别是"哪些词绝对不能说"这一项，有的品牌因为行业规范或者自身定位，有一批禁用词，你不问，写出来就是白写。

4.2 脚本生产流水线，附我的实际时间记录

以最近一集三十分钟的品牌定制对谈为例，把完整流程和耗时摊开。第一步是访谈客户，四十分钟，我不聊产品，只聊"你们客户最常抱怨的一件事是什么"和"你们团队内部为什么事吵过架"。这两个问题的答案几乎就是所有好脚本的原料。第二步是整理素材，二十分钟，把访谈录音转文字，从中挑出三到五个有画面感的细节，这一步我直接丢给 AI 做初步提取，自己只做筛选。第三步做结构卡，十五分钟，把核心命题、听众、三个支撑点、结尾行动填进去。第四步让 AI 出大纲，五分钟生成，我花十分钟调整段落顺序和功能标签。第五步逐段生成正文，八段，每段生成加人工改写平均十二分钟，合计约一个半小时。第六步通读润色，二十分钟，重点删重复、调语序、补气口标记。第七步朗读测试，十五分钟，这一节下面单独说。总计两小时四十分钟左右。

其中第五步有个细节值得说：我在每段生成之后会做一次"三删"——删掉所有副词修饰、删掉所有"我们可以看到"这类引导句、删掉所有总结性收尾句。AI 写东西有个顽固的习惯，每段结尾都要升华一下，而播客里这种升华恰恰是最出戏的。删完这三类，稿子的质感立刻从"文章"变成"说话"。

4.3 朗读测试，AI 稿子必须过的一关

稿子写完绝对不能直接进棚。我现在固定做一遍朗读测试：出声念，计时，同时用手机录下自己念的过程，念完回放。这一遍能抓出三类问题，而且都是眼睛看不出来的。

第一类是"念不顺的句子"。有些句子看着挺顺，一张嘴就绊，通常是连续两个仄声字撞在一起，或者一口气念不完。这种句子必须改，改法很简单，把长句拆成两句，中间加个"你看"或者"这么一来"缓冲。第二类是时长偏差。念一遍计时，如果比目标时长短了两分钟以上，说明信息量不够，得加案例；长了三分钟以上，说明废话多，得砍。第三类是听觉上的重复感。有些词在纸面上看不出问题，念出来才发现"其实""我觉得""你会发现"出现了十几次，听着特别烦。我一般把稿子丢给 AI 做一次词频统计，出现超过三次的口头禅全部替换。

朗读测试还有个好用处，就是发现情绪的断点。有些段落写的时候觉得挺有劲，念出来平平无奇，说明这段缺一个情绪支点，通常补一个具体的人的具体反应就能救回来。这一步十五分钟，能省掉录音现场半小时的反复重来，非常划算。

5. 商业交付与常见问题排查

5.1 报价逻辑和交付物设计

播客剧本的定价没有统一标准，但有个基本的计价逻辑可以参考：按有效口播时长计价，而不是按字数。因为写三十分钟稿子的工作量，跟写三千字文章完全不是一回事，中间差着结构设计、节奏控制、口语化改写、朗读测试这一整套流程。市面上大致区间是每分钟几十到几百不等，取决于是否需要访谈、是否需要采访素材整理、是否包含多轮修改。我的建议是新手期按项目打包报价，做熟了再按时长计价，因为新手对工时的预估普遍偏乐观，按时长计价容易亏。

交付物也要设计清楚，别只丢一个 Word 文档过去。我现在固定交四样东西：分段大纲，让客户看清结构；完整口播稿，带气口标记和时间预估；关键句清单，把每段的金句单独列出来，方便客户做短视频切片或者图文二次分发；一份录制提示，写清楚哪几段需要情绪拉高、哪几处需要停顿留白。这四样东西加起来工作量增加不多，但客户感知到的专业度完全不一样，复购率明显更好看。

5.2 常见问题速查表

5.3 我踩过的几个坑，都是真金白银换来的

第一个坑是事实核查。AI 在数据、年份、人名、案例出处这几件事上有天然的不靠谱倾向，它会把一个似是而非的数字说得斩钉截铁。我做的前几集就吃过亏，客户在成片里听到一个明显不对的行业数据，虽然没追究，但信任度掉了一大截。现在的规矩是：稿子里出现的每一个数字、每一个案例、每一处引用，我都要单独核一遍来源，核不到就换成"我见过的一个情况"这种模糊但真实的表达。宁可少一个精确数据，不能多一个错误数据。

第二个坑是素材版权。AI 生成的内容本身不涉及版权，但如果你让它"模仿某某风格"，或者直接把某本书里的段落塞进去改写，风险就来了。我现在的要求是：所有案例必须是原创或者获得授权的，绝不使用他人的成段表述，哪怕是改写过的。这一点在商单里尤其重要，品牌方对合规的敏感度远高于个人创作者。

第三个坑是过度依赖。有一段时间我几乎把所有稿子都交给 AI，自己只做最后润色，结果连着几集节目听众反馈"听着差不多"。问题出在 AI 的输出是有均值的，它会收敛到一种四平八稳的表达方式，而播客最值钱的恰恰是主播个人的棱角和偏见。后来我调整了流程，每集必须有至少三分之一的段落是我自己手写，AI 只负责搭骨架和做苦力活。这个配比我自己试下来比较舒服，稿子既有效率又有个人痕迹。

最后一个坑，关于"有爱"这两个字。标题里挂着这两个字，一开始我以为是营销话术，做久了才明白它是这套流程里最难的一环。AI 能帮你把结构搭得严丝合缝，把句子改得顺滑好念，把时长卡得刚刚好，但它写不出一个人在深夜里那点真实的狼狈。而听众留下来的理由，往往就是那一两句狼狈。所以我的做法是：让 AI 处理百分之八十的骨架和血肉，剩下百分之二十最关键的位置——开场的第一个画面、转折处的那句真心话、结尾的那个具体的人——全部自己写，一个字都不让 AI 碰。这百分之二十决定了这集节目是"一集不错的播客"，还是"有人愿意转发给朋友的一集播客"。