一句话：把视频、链接、文稿、会议与课程等多种内容，变成真正能听完的私人播客。
开源地址：https://github.com/vastsa/**Box
协议：LGPL-3.0
先说一个很真实的尴尬
我怀疑你也有过这些时刻：
- 收藏了技术分享、课程、会议纪要、长文，然后永远「稍后处理」
- 通勤、洗碗、散步时明明想消化信息，手机里却只剩短视频噪音
- 想做一档「只给自己听」的节目，又不想半夜对着麦克风录到崩溃
- 试过各种 AI 播客 demo：声音假、人设死、像在念说明书，两分钟就关了
信息并不缺。
缺的是一种能被你真正吸收的形态。
屏幕时间越来越贵，整块时间越来越碎。
很多内容其实适合「听」，却被锁在「必须坐下来看 / 读」的格式里。
于是我做了 **Box（播匣）。
**Box 是什么
**Box 不是又一个「视频转音频」按钮。
它是一台 单用户、可私有部署的 AI 播客工作室：
- 理解你丢进来的内容
- 按你设定的主播人设，重写成口播稿
- 用你指定的音色说出来
- 附上封面、知识闪卡和听播进度
- 变成一档随时可听的私人节目
核心不是格式转换，而是内容消化。
内容进匣，AI 成播。
把「看不完 / 读不完」变成「听得进」。
不限于长视频
很多工具一上来就把自己定成「长视频转播客」。
**Box 从一开始就没这么窄。
你可以丢进去：
- 视频：本地文件、课程回放、分享录像
- 链接：文章、文档、公开页面
- 文稿：笔记、草稿、粘贴文本
- 会议 / 课程材料：需要二次消化的高密度内容
如果内置路径还不够，还可以通过 Source 插件继续扩展内容源。
一句话：
多源内容 → 可听完的私人口播节目。
你丢进去的 **Box 交还给你的
───────────── ─────────────────
会议录像 / 纪要 有节奏的口播节目
课程回放 / 材料 ──AI──▶ 可自定义的主播人设
深度长文 / 文稿 预置 / 描述定制音色
任意链接（可插件扩展） 封面 · 闪卡 · 听播进度
为什么听起来不像「机器念稿」
市面上不少方案，本质是：
转写字幕 → 直接朗读
问题很明显：
- 没有开场和收束
- 重点淹没在细节里
- 语气平、节奏死
- 听着像自动文档朗读器
**Box 走的是另一条路：
1. 口播结构重写
AI 会把内容整理成适合「听」的结构：有开场、有重点、有收尾。
不是把原文硬塞进喇叭。
2. 人设你说了算
你可以设定：
- 主播怎么称呼自己
- 像产品经理、老师，还是朋友闲聊
- 节目名、语气调性、开场收尾习惯
全局默认一套，也能给某一集单独改。
3. 音色可定制
支持预置音色，也支持用文字描述你想要的声音气质。
目标不是「能发声」，而是「听起来像有人在讲」。
4. 听完还能带走闪卡
每期不只给你音频，还会提炼知识闪卡。
听过的内容，不会立刻蒸发。
两个我特别在意的技术点
如果只是做一个网页 demo，故事到这里就可以结束了。
但我想做的是一个能长期住在你工作流里的系统。
1）MCP：让 AI 助手直接操作 **Box
**Box 内置 MCP（Model Context Protocol） 端点。
服务启动后会自动生成长期 Token。你可以在 Cursor / Claude 等客户端里直接调用，例如：
create_podcast_from_urlcreate_podcast_from_textlist_**sget_**
场景很直接：
在 AI 对话里说一句「把这个链接做成播客」，不用再切回 UI 点来点去。
Cursor 配置示例：
{
"mcpServers": {
"**box": {
"url": "http://localhost:8787/mcp",
"headers": {
"Authorization": "Bearer <设置页复制的 Token>"
}
}
}
}
2）Source 插件：内容源可插拔
**Box 不把输入锁死在某一种媒体上。
- 插件默认关闭
- 放入
storage/plugins/source/ 后扫描启用
- 插件负责「输入 → 统一素材（SourceArtifact）」
- 口播、音色、闪卡、封面仍走核心流水线
也就是说：
你扩展的是「内容从哪来」，
不必重写整套播客生成系统。
官方示例包括 source-plugin-echo、source-plugin-firecrawl。
高风险抓取不会默认塞进主仓，由用户按需安装。
技术差异一句话：
不只是应用，而是 AI 可编排（MCP）+ 源可插拔（Source Plugin） 的私人播客系统。
它适合谁，不适合谁
适合
- 终身学习者：课程、访谈、发布会、长文太多，只想用碎片时间听重点
- 创作者 / 研究者：先把多源素材听消化，再决定写什么、剪什么
- 一人公司 / 独立开发者：把周会、链接、笔记、长文收成自己的「信息广播」
- 注重隐私的人：内容不出自己的机器，不为平台算法打工
不适合
- 想做公域播客平台
- 想做多租户 SaaS
- 想做在线协作编辑团队工具
**Box 刻意做小、做私、做深。
它站在「帮你更好地消化内容」这一边，而不是「帮你更快地生产公域内容」。
怎么开始
本地三步：
git clone https://github.com/vastsa/**Box.git
cd **box
cp .env.example .env # 填入你的 API Key
./start.sh # 打开 http://localhost:5173
Docker（推荐拉预构建镜像）：
cp .env.example .env
docker pull ghcr.io/vastsa/**box:latest
./start.sh docker
# 访问 http://localhost:8787
首次进入会引导你完成账号初始化与模型配置。
之后，你的第一期私人播客，只差一条内容。
我真正想解决的，其实是这件事
大多数工具都在帮你：
更快地生产内容。
**Box 更在意：
更好地消化内容。
信息过载的时代，「收藏」几乎没有成本，「吸收」才是稀缺能力。
能被你听完、记住、复用的，才算真正属于你。
所以它不是又一个热闹的 AI demo。它是一个更克制的主张：
- 输入要宽：视频、链接、文稿、会议、课程都能进
- 输出要听得完：有人设、有结构、有音色
- 系统要可扩展：MCP 可编排，插件可扩源
- 数据要在你手里：单用户私有部署
写在最后
如果你也信这句话：
好内容值得被「听」第二次，而且应该用你喜欢的方式被讲述。
欢迎来看看 **Box：
GitHub：https://github.com/vastsa/**Box
如果这个方向戳中你：
- 给仓库一个 ⭐ Star
- 提 Issue，说说你最想「播客化」的内容类型
- PR 也欢迎，尤其是体验、文案、音色与模型适配
内容进匣，AI 成播。
把那些「稍后处理」的东西，终于处理掉一次。
