# iMeeting 产品路线图 ## 项目概述 iMeeting 是一个智能会议管理和知识库系统，旨在通过 AI 技术提升会议效率，自动生成会议纪要，并从多次会议中提炼知识。 --- ## Phase 1: 基础会议管理与知识库系统（已完成） ### 核心功能 #### 1. 会议管理 - **会议创建与录音**：支持创建会议并关联音频文件 - **音频转录**：基于阿里云 DashScope 的语音识别，支持异步转录 - **AI 总结生成**：使用大语言模型（通义千问）自动生成会议纪要 - **提示词模版**：支持预定义和自定义提示词模版，适配不同会议场景 - **标签系统**：支持为会议添加标签，方便分类和检索 #### 2. 知识库系统 - **基于会议的知识提炼**：从多个会议纪要中提炼知识库内容 - **自定义提示词**：用户可以指定特定的分析角度和总结需求 - **Markdown 输出**：知识库内容以 Markdown 格式存储和展示 - **标签关联**：支持知识库的标签分类 - **共享机制**：支持知识库的个人/共享模式 #### 3. 用户权限管理 - **用户认证**：基于 JWT 的用户登录与会话管理 - **角色权限**：区分普通用户和管理员 - **菜单权限**：动态菜单权限控制系统 #### 4. 管理后台 - **用户管理**：用户创建、编辑、删除、权限配置 - **系统监控**：在线用户、任务监控、系统资源监控 - **提示词仓库**：集中管理所有提示词模版 ### 技术架构 #### 后端技术栈 - **框架**：FastAPI（Python） - **数据库**：MySQL 8.0 - **缓存**：Redis 5.0+ - **AI 服务**：阿里云 DashScope（通义千问） - **对象存储**：七牛云 OSS - **异步任务**：FastAPI BackgroundTasks #### 前端技术栈 - **框架**：React 18 - **路由**：React Router - **UI 组件**：Ant Design + 自定义组件 - **Markdown 渲染**：react-markdown #### 数据模型（核心表） - `users`：用户表 - `meetings`：会议表 - `knowledge_bases`：知识库表 - `prompts`：提示词模版表 - `transcription_tasks`：转录任务表 - `summary_tasks`：总结任务表 - `knowledge_base_tasks`：知识库生成任务表 - `tags`：标签表 --- ## Phase 2: 知识库系统大升级（规划中） ### 升级目标 将知识库系统从单一的"会议纪要汇总"升级为功能完整的"AI 知识助手"，参考 NotebookLM 的交互模式，提供多维度的知识管理和音频播客生成能力。 --- ### 1. 输入来源扩展 #### 1.1 功能需求 - ✅ **会议来源**（已支持）：从多个会议纪要中提炼 - 🆕 **外部文件上传**： - 支持 PDF、Word、TXT、Markdown 文件 - 支持音频文件（MP3、WAV、M4A） - 支持视频文件（MP4、AVI、MOV）提取音频 - 单个知识库可混合多种来源 #### 1.2 技术方案 ##### 文档解析 ```python # 依赖库选型 - PDF: PyPDF2 / pdfplumber（文本提取） - Word: python-docx（DOCX 文件） - Markdown: 直接读取 - TXT: 直接读取，支持多种编码（UTF-8、GBK） ``` **技术评估**： - ✅ **可行性**：高，Python 生态成熟 - ⚠️ **挑战**： - PDF 中的表格、图片识别（可选用 OCR） - 大文件处理（需要分块上传和处理） - 💰 **成本**：无额外费用，依赖开源库 ##### 音频/视频处理 ```python # 依赖库选型 - 音频提取: ffmpeg-python（视频转音频） - 音频格式转换: pydub ``` **技术评估**： - ✅ **可行性**：高，现有转录流程可复用 - ⚠️ **挑战**： - 视频文件较大，需要优化存储和处理 - 需要增加进度反馈 - 💰 **成本**： - 视频存储成本增加（七牛云存储费用） - 转录费用与现有一致（按时长计费） ##### 数据库设计 ```sql -- 新增表：知识库来源文件表 CREATE TABLE kb_source_files ( file_id INT AUTO_INCREMENT PRIMARY KEY, kb_id INT NOT NULL COMMENT '关联的知识库ID', file_type ENUM('pdf', 'docx', 'txt', 'markdown', 'audio', 'video') NOT NULL, file_name VARCHAR(255) NOT NULL, file_url VARCHAR(512) NOT NULL COMMENT '文件存储URL', file_size BIGINT COMMENT '文件大小（字节）', extracted_text TEXT COMMENT '提取的文本内容', upload_time TIMESTAMP DEFAULT CURRENT_TIMESTAMP, FOREIGN KEY (kb_id) REFERENCES knowledge_bases(kb_id) ON DELETE CASCADE ); -- 修改知识库表 ALTER TABLE knowledge_bases ADD COLUMN source_type ENUM('meetings', 'files', 'mixed') DEFAULT 'meetings' COMMENT '内容来源类型'; ``` --- ### 2. 提示词模版升级 #### 2.1 功能需求 - ✅ **选择模版**（已支持）：从提示词仓库选择预设模版 - 🆕 **附加提示词**：在模版基础上追加自定义需求 - 🆕 **结构化输出**：生成标题 + 多级内容（章节、小节） - 🆕 **输出格式控制**：支持指定输出结构（JSON Schema） #### 2.2 技术方案 ##### 提示词组合 ```python def build_knowledge_prompt( template_prompt: str, # 基础模版 additional_prompt: str, # 附加提示词 output_format: dict # 输出格式控制 ) -> str: """ 组合提示词策略： 1. 基础模版（定义分析维度和风格） 2. 附加提示词（用户自定义需求） 3. 输出格式要求（结构化 JSON 或 Markdown） """ return f""" {template_prompt} ## 用户补充要求 {additional_prompt} ## 输出格式要求 请按照以下结构输出（Markdown 格式）： # 标题 ## 章节1 ### 小节1.1 内容... ### 小节1.2 内容... ## 章节2 ... """ ``` **技术评估**： - ✅ **可行性**：高，现有提示词系统可直接扩展 - 📊 **优化方向**： - 使用通义千问的 `response_format` 参数实现结构化输出 - 提供可视化的输出结构编辑器 - 💰 **成本**：无额外成本 ##### 结构化输出（通义千问支持） ```python # 通义千问支持 JSON Schema 格式控制 response_format = { "type": "json_schema", "json_schema": { "name": "knowledge_base_output", "schema": { "type": "object", "properties": { "title": {"type": "string"}, "sections": { "type": "array", "items": { "type": "object", "properties": { "section_title": {"type": "string"}, "subsections": { "type": "array", "items": { "type": "object", "properties": { "subsection_title": {"type": "string"}, "content": {"type": "string"} } } } } } } } } } } ``` --- ### 3. 音频概览生成（TTS 播客） #### 3.1 功能需求 - 🆕 **文字转语音**：将知识库内容转换为音频 - 🆕 **播客式对话**（类似 NotebookLM）： - 双人对话形式（主持人 + 嘉宾） - 自然的问答式讲解 - 语气生动，易于理解 #### 3.2 技术方案 ##### 方案一：基础 TTS（快速实现） **服务选型**： ```python # 1. 阿里云语音合成（推荐） - 优势：已集成 DashScope，音质自然，支持多音色 - 成本：约 0.002 元/次（100字符） - 特性：支持 SSML 标签控制语速、停顿 # 2. 微软 Azure TTS - 优势：音质最佳，支持神经网络语音 - 成本：约 $4/百万字符 - 特性：支持情感控制、多语言 # 3. OpenAI TTS - 优势：音质优秀，与 GPT 集成度高 - 成本：约 $15/百万字符 - 特性：6 种不同音色可选 ``` **实现流程**： ```python async def generate_basic_audio(kb_content: str) -> str: """ 基础 TTS 实现 1. 文本预处理（分段、去除特殊字符） 2. 调用 TTS API 3. 音频文件合并 4. 上传到七牛云 """ # 分段处理（避免单次请求过长） segments = split_text_by_paragraphs(kb_content, max_length=500) audio_files = [] for segment in segments: audio = await tts_service.synthesize( text=segment, voice="zhichu", # 阿里云音色 rate=1.0, # 语速 pitch=0 # 音调 ) audio_files.append(audio) # 合并音频 final_audio = merge_audio_files(audio_files) audio_url = upload_to_qiniu(final_audio, "kb_audio") return audio_url ``` **技术评估**： - ✅ **可行性**：高，实现简单 - ⚠️ **局限性**： - 单调朗读，无对话感 - 缺乏停顿和情感 - 💰 **成本**： - 阿里云 TTS：约 0.02 元/千字 - 10 万字知识库：约 2 元/次 --- ##### 方案二：播客式对话（NotebookLM 风格） **技术架构**： ``` 输入: 知识库内容 (Markdown) ↓ 1. 内容理解与脚本生成 - 使用 LLM 将内容改写为对话脚本 - 双人角色：主持人（引导）+ 专家（讲解） ↓ 2. 对话脚本优化 - 添加开场白和结束语 - 插入自然的停顿和过渡 - 添加情感标记（SSML） ↓ 3. 多音色 TTS 合成 - 主持人音色：女声，温和亲切 - 专家音色：男声，稳重专业 ↓ 4. 音频后处理 - 添加背景音乐（轻音乐） - 音量均衡化 - 添加片头片尾 ↓ 输出: 播客式音频文件 (MP3) ``` **LLM 脚本生成示例**： ```python PODCAST_SCRIPT_PROMPT = """ 你是一个播客制作专家。请将以下知识库内容改写为一段双人对话脚本： - 主持人（Host）：提出问题，引导话题，语气轻松友好 - 专家（Expert）：讲解内容，回答问题，语气专业自信 要求： 1. 开场白介绍今天的主题 2. 通过问答形式逐步展开知识点 3. 加入自然的过渡语（"那么..."、"接下来..."） 4. 结束时做简短总结 知识库内容： {kb_content} 请输出 JSON 格式： {{ "title": "播客标题", "intro": {{ "host": "开场白...", "expert": "回应..." }}, "dialogues": [ {{"speaker": "host", "text": "问题1..."}}, {{"speaker": "expert", "text": "解答1..."}}, ... ], "outro": {{ "host": "总结...", "expert": "结束语..." }} }} """ async def generate_podcast_script(kb_content: str) -> dict: """使用 LLM 生成播客脚本""" response = await llm_service.call( prompt=PODCAST_SCRIPT_PROMPT.format(kb_content=kb_content), response_format={"type": "json_object"} ) return json.loads(response) async def synthesize_podcast(script: dict) -> str: """合成播客音频""" audio_segments = [] # 片头音乐 audio_segments.append(load_intro_music()) # 开场白 for speaker, text in script["intro"].items(): voice = VOICES[speaker] # {"host": "xiaoyun", "expert": "zhichu"} audio = await tts_service.synthesize(text, voice=voice) audio_segments.append(audio) audio_segments.append(silence(duration=0.5)) # 停顿 0.5 秒 # 主体对话 for dialogue in script["dialogues"]: speaker = dialogue["speaker"] text = dialogue["text"] voice = VOICES[speaker] audio = await tts_service.synthesize(text, voice=voice) audio_segments.append(audio) audio_segments.append(silence(duration=0.3)) # 结束语 for speaker, text in script["outro"].items(): voice = VOICES[speaker] audio = await tts_service.synthesize(text, voice=voice) audio_segments.append(audio) # 片尾音乐 audio_segments.append(load_outro_music()) # 合并所有音频 final_audio = merge_with_background_music(audio_segments) # 上传到七牛云 audio_url = upload_to_qiniu(final_audio, "kb_podcast") return audio_url ``` **技术评估**： - ✅ **可行性**：中等 - LLM 脚本生成：成熟方案 - 多音色 TTS：阿里云、Azure 均支持 - 音频后处理：需要 ffmpeg 或 pydub - ⚠️ **挑战**： - 脚本质量依赖 LLM prompt 优化 - 音频合成时长较长（需要异步处理） - 音频文件较大，存储成本增加 - 💰 **成本**（以 5000 字知识库为例）： - LLM 脚本生成（输入 5000 字 + 输出 3000 字）：约 0.05 元 - TTS 合成（约 3000 字对话）：约 0.06 元 - **总成本：约 0.11 元/次** **音频处理库**： ```python # 新增依赖 ffmpeg-python==0.2.0 # 音频处理 pydub==0.25.1 # 音频编辑 ``` --- ##### 方案对比 | 特性 | 方案一：基础 TTS | 方案二：播客对话 | |------|------------------|------------------| | **实现难度** | 低（1-2 天） | 中（3-5 天） | | **音频质量** | 单调朗读 | 自然对话 | | **用户体验** | ⭐⭐⭐ | ⭐⭐⭐⭐⭐ | | **成本** | 0.02 元/千字 | 0.11 元/5000 字 | | **适用场景** | 快速阅读 | 深度学习 | **推荐方案**： - 🚀 **Phase 2.1**：先实现方案一（基础 TTS），快速上线 - 🎯 **Phase 2.2**：再实现方案二（播客对话），提升体验 --- ### 4. NotebookLM 式交互 #### 4.1 功能需求 - 🆕 **知识库问答**：基于知识库内容的智能问答 - 🆕 **引用溯源**：回答时显示来源（段落、页码） - 🆕 **相关内容推荐**：基于用户提问推荐相关知识点 - 🆕 **多轮对话**：支持上下文记忆的连续对话 #### 4.2 技术方案 ##### 方案一：基于向量数据库的 RAG（推荐） **技术架构**： ``` 知识库内容 ↓ 1. 文本分块 (Chunking) - 按段落或语义分块（500-1000 字/块） - 保留元数据（来源、章节、页码） ↓ 2. 向量化 (Embedding) - 使用阿里云通义千问 Embedding API - 或使用 OpenAI text-embedding-3-small ↓ 3. 存储到向量数据库 - Milvus（开源，功能强大） - 或 Qdrant（轻量，易部署） - 或 PostgreSQL + pgvector（复用现有数据库） ↓ 4. 用户提问 ↓ 5. 向量检索 - 将问题向量化 - 检索 Top-K 相似内容块 ↓ 6. LLM 生成回答 - 将检索结果作为上下文 - 生成准确回答 + 来源引用 ``` **实现示例**： ```python from dashscope import TextEmbedding from qdrant_client import QdrantClient from qdrant_client.models import Distance, VectorParams, PointStruct # 1. 向量化服务 class EmbeddingService: def embed_text(self, text: str) -> List[float]: """将文本转换为向量""" response = TextEmbedding.call( model='text-embedding-v3', input=text ) return response.output['embeddings'][0]['embedding'] # 2. 向量数据库 class VectorStore: def __init__(self): self.client = QdrantClient(host="localhost", port=6333) def create_collection(self, kb_id: int): """为知识库创建向量集合""" self.client.create_collection( collection_name=f"kb_{kb_id}", vectors_config=VectorParams(size=1536, distance=Distance.COSINE) ) def add_chunks(self, kb_id: int, chunks: List[dict]): """添加文本块到向量库""" points = [] for i, chunk in enumerate(chunks): embedding = embedding_service.embed_text(chunk['text']) points.append(PointStruct( id=i, vector=embedding, payload={ "text": chunk['text'], "source": chunk['source'], "section": chunk['section'] } )) self.client.upsert(collection_name=f"kb_{kb_id}", points=points) def search(self, kb_id: int, query: str, top_k: int = 3): """搜索相似内容""" query_vector = embedding_service.embed_text(query) results = self.client.search( collection_name=f"kb_{kb_id}", query_vector=query_vector, limit=top_k ) return results # 3. RAG 问答 async def answer_question(kb_id: int, question: str, chat_history: List[dict] = None): """基于知识库回答问题""" # 检索相关内容 results = vector_store.search(kb_id, question, top_k=3) # 构建上下文 context = "\n\n".join([ f"[来源: {r.payload['section']}]\n{r.payload['text']}" for r in results ]) # 构建 prompt prompt = f""" 基于以下知识库内容回答用户问题。如果无法从内容中找到答案，请明确告知。 知识库内容： {context} 用户问题：{question} 请提供准确的回答，并在回答中标注来源章节。 """ # 调用 LLM response = await llm_service.call(prompt, chat_history=chat_history) # 返回回答 + 来源 return { "answer": response, "sources": [ {"section": r.payload['section'], "text": r.payload['text'][:200]} for r in results ] } ``` **技术评估**： - ✅ **可行性**：高 - 向量数据库：Qdrant（轻量级）或 pgvector（复用 MySQL） - Embedding：阿里云通义千问 Embedding API（0.0007 元/千 tokens） - 📊 **优势**： - 回答准确性高（基于实际内容） - 支持引用溯源 - 检索速度快（毫秒级） - 💰 **成本**（以 10 万字知识库为例）： - 向量化：约 0.07 元（一次性） - 每次问答检索：免费（本地向量库） - LLM 生成：约 0.01 元/次 --- ##### 方案二：基于 LLM 长上下文（备选） **技术方案**： ```python async def answer_with_full_context(kb_content: str, question: str): """直接将整个知识库作为上下文""" prompt = f""" 你是一个知识库助手。请基于以下知识库内容回答用户问题。 知识库内容： {kb_content} 用户问题：{question} 请提供准确的回答，并标注引用的段落。 """ response = await llm_service.call(prompt) return response ``` **技术评估**： - ✅ **可行性**：中等 - 通义千问支持 128K tokens 上下文 - 约 10 万字中文 - ⚠️ **局限性**： - 大文本上下文成本高 - 无法精确定位来源 - 不支持多知识库联合查询 - 💰 **成本**： - 每次问答（10 万字上下文）：约 0.15 元 - **比 RAG 方案贵 10 倍以上** **推荐方案**：**方案一（RAG）** 为主，方案二作为小规模知识库的快速方案。 --- ##### 数据库设计 ```sql -- 知识库对话历史表 CREATE TABLE kb_chat_history ( chat_id INT AUTO_INCREMENT PRIMARY KEY, kb_id INT NOT NULL COMMENT '关联知识库ID', user_id INT NOT NULL COMMENT '用户ID', question TEXT NOT NULL COMMENT '用户提问', answer TEXT NOT NULL COMMENT 'AI回答', sources JSON COMMENT '回答来源（JSON数组）', created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP, FOREIGN KEY (kb_id) REFERENCES knowledge_bases(kb_id) ON DELETE CASCADE, FOREIGN KEY (user_id) REFERENCES users(user_id) ON DELETE CASCADE, INDEX idx_kb_user (kb_id, user_id), INDEX idx_created_at (created_at) ); -- 知识库向量块表 CREATE TABLE kb_text_chunks ( chunk_id INT AUTO_INCREMENT PRIMARY KEY, kb_id INT NOT NULL COMMENT '关联知识库ID', chunk_text TEXT NOT NULL COMMENT '文本块内容', chunk_metadata JSON COMMENT '元数据（章节、页码等）', created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP, FOREIGN KEY (kb_id) REFERENCES knowledge_bases(kb_id) ON DELETE CASCADE, INDEX idx_kb_id (kb_id) ); ``` --- ### 5. 前端交互升级 #### 5.1 新增页面/组件 ``` 知识库详情页 ├── 📄 内容展示区 │ ├── Markdown 渲染（已有） │ └── 音频播放器（新增） │ ├── 播放/暂停 │ ├── 进度条 │ ├── 倍速调节 │ └── 下载音频 │ ├── 💬 智能问答区（新增） │ ├── 对话输入框 │ ├── 对话历史列表 │ ├── 来源引用卡片 │ └── 相关问题推荐 │ └── 📊 知识库信息 ├── 来源文件列表（新增） └── 标签、创建时间等（已有） ``` #### 5.2 技术实现 ```jsx // 音频播放器组件 import ReactAudioPlayer from 'react-audio-player'; const KnowledgeAudioPlayer = ({ audioUrl }) => { return (

🎧 音频概览

); }; // 智能问答组件 const KnowledgeChatbot = ({ kbId }) => { const [messages, setMessages] = useState([]); const [input, setInput] = useState(''); const [loading, setLoading] = useState(false); const handleAsk = async () => { setLoading(true); const response = await apiClient.post(`/knowledge-bases/${kbId}/ask`, { question: input, chat_history: messages }); setMessages([ ...messages, { role: 'user', content: input }, { role: 'assistant', content: response.data.answer, sources: response.data.sources } ]); setInput(''); setLoading(false); }; return (
{messages.map((msg, idx) => (
{msg.content}
{msg.sources && (

📚 来源

{msg.sources.map((src, i) => (
{src.section}

{src.text}...

))}
)}
))}
setInput(e.target.value)} placeholder="向知识库提问..." onKeyPress={(e) => e.key === 'Enter' && handleAsk()} />
); }; ``` --- ## Phase 2 技术依赖汇总 ### 新增 Python 依赖 ```txt # 文档解析 PyPDF2==3.0.1 pdfplumber==0.10.3 python-docx==1.1.0 # 音频处理 ffmpeg-python==0.2.0 pydub==0.25.1 # 向量数据库（二选一） qdrant-client==1.7.0 # 推荐：轻量级向量库 # 或 pgvector==0.2.3 # 备选：PostgreSQL 扩展 # 阿里云 Embedding（可选，通义千问已集成） # 无需新增依赖，使用现有 dashscope ``` ### 新增前端依赖 ```json { "react-audio-player": "^0.17.0", "react-markdown": "^9.0.0" // 已有 } ``` ### 基础设施 - **向量数据库**：Qdrant（Docker 部署） ```bash docker run -p 6333:6333 qdrant/qdrant ``` - **音频处理**：FFmpeg（系统依赖） ```bash apt-get install ffmpeg # Ubuntu brew install ffmpeg # macOS ``` --- ## 成本预估（Phase 2） ### 开发成本 | 模块 | 工作量（人天） | 说明 | |------|---------------|------| | 文件上传与解析 | 3-5 天 | PDF、Word、音频解析 | | 提示词升级 | 2-3 天 | 附加提示词、结构化输出 | | 基础 TTS | 2-3 天 | 文字转语音 | | 播客对话（可选） | 5-7 天 | LLM 脚本生成 + 多音色合成 | | RAG 问答系统 | 5-7 天 | 向量化、检索、对话 | | 前端交互升级 | 3-5 天 | 音频播放器、聊天界面 | | **总计** | **20-30 天** | 约 1-1.5 个月 | ### 运营成本（月） | 项目 | 预估用量 | 单价 | 月成本 | |------|---------|------|--------| | **阿里云 TTS** | 100 万字 | 0.02 元/千字 | 20 元 | | **LLM 脚本生成** | 50 次（5000 字/次） | 0.05 元/次 | 2.5 元 | | **Embedding 向量化** | 100 万字 | 0.0007 元/千 tokens | 0.7 元 | | **LLM 问答** | 1000 次 | 0.01 元/次 | 10 元 | | **七牛云存储（音频）** | 10 GB | 0.148 元/GB/天 | 44 元 | | **Qdrant 服务器** | 1 核 2G | - | 0 元（自建） | | **总计** | - | - | **约 77 元/月** | *注：基于中小规模使用场景（月活 100-500 用户）* --- ## 技术风险与缓解措施 ### 风险 1：向量数据库性能 - **风险**：大规模知识库检索延迟 - **缓解**： - 使用 Qdrant 的分片和副本 - 限制单次检索 Top-K 数量 - 增加缓存层（Redis） ### 风险 2：播客生成质量 - **风险**：LLM 生成的对话脚本不自然 - **缓解**： - 提供多个脚本模版供用户选择 - 支持用户编辑脚本后再合成 - 引入少样本学习（Few-shot）优化 prompt ### 风险 3：文件解析准确性 - **风险**：PDF、Word 解析失败或乱码 - **缓解**： - 提供预览功能，让用户确认提取结果 - 支持手动文本粘贴作为备选 - 增加 OCR 处理扫描件 PDF ### 风险 4：成本控制 - **风险**：TTS 和 LLM 调用费用超预算 - **缓解**： - 设置单用户每日调用限额 - 音频生成采用队列异步处理 - 提供缓存机制避免重复生成 --- ## 实施建议 ### Phase 2.1（基础版，2-3 周） ✅ **优先级高** 1. 文件上传与解析（PDF、Word、TXT） 2. 基础 TTS 音频生成 3. 提示词附加功能 ### Phase 2.2（进阶版，3-4 周） 🎯 **优先级中** 1. RAG 问答系统（向量检索） 2. 播客式对话生成 3. 前端聊天界面 ### Phase 2.3（优化版，2-3 周） 🔧 **优先级低** 1. 音频后处理（背景音乐、片头片尾） 2. 多轮对话记忆 3. 相关问题推荐 --- ## 总结 Phase 2 升级将把 iMeeting 知识库系统从"被动阅读"升级为"主动交互"，核心亮点包括： 1. ✅ **多源输入**：会议 + 文件 + 音视频 2. 🎙️ **音频播客**：类 NotebookLM 的对话式音频 3. 💬 **智能问答**：基于 RAG 的精准问答 4. 📊 **结构化输出**：自动生成多级章节 **技术可行性**：高（基于成熟技术栈） **成本可控性**：高（月运营成本 < 100 元） **开发周期**：1-1.5 个月（20-30 人天） 建议采用**分阶段迭代**方式，先上线基础版（文件上传 + 基础 TTS），快速验证用户需求，再逐步完善高级功能（播客对话 + RAG 问答）。