オーディオジングルスキル は何をしますか？
3つのサブモードがあります。アクティブプロジェクトの audioKind がどのモードを実行するかを決定します。
audioKind | ルーティング先モデル | 計画の焦点 |
|---|---|---|
music | Suno V5（デフォルト）、Udio、Lyria 2 | ジャンル + テンポ + 楽器編成 |
speech | MiniMax TTS（デフォルト）、Fish、ElevenLabs V3 | スクリプト + 声 + ペース |
sfx | ElevenLabs SFX（デフォルト）、AudioCraft | テクスチャ + インパクト + 持続時間 |
リソースマップ
audio-jingle/
├── SKILL.md
└── example.html
ワークフロー
ステップ0 — プロジェクトメタデータを読み取る
audioKind、audioModel、audioDuration（秒）、および（音声の場合）voice。既知の値で分岐し、そのまま使用します。メタデータがないからといって質問を促す指示にはなりません。可能な場合は安全なデフォルトを推測し、欠落した答えが要求された出力を実質的に変更したり、生成を妨げる場合にのみ、明確化フォームを出力します。
重要: voice はプロバイダ固有です。minimax-tts の場合、--voice は有効な MiniMax voice_id（例：male-qn-qingse）でなければならず、自然言語による説明ではいけません。散文的な声の簡単な説明（「温かい女性ナレーター」、「中立な中国語」）しかない場合は、その説明を計画に保持しますが、--voice を省略してデーモンのデフォルトの音声IDを適用するか、ユーザーに特定のIDを選択するよう依頼します。
ステップ1 — 計画
ミュージック
- ジャンル + 参考アーティスト（1～2）
- テンポ（BPM）+ キー
- 楽器編成（最大3～5つの楽器）
- ボーカル：あり / なし / ハミング / コーラス
- ムードの流れ（イントロ → サビ → アウトロ）
スピーチ
- スクリプト（最終版、下書きではない — TTSはそのまま実行されます）
- 声のターゲット + ペース
MiniMaxの場合、これは
--voiceに散文ではなく実際のvoice_idを意味します - 固有名詞/頭字語の発音ヒント
SFX
- テクスチャ（インパクト / ウィッシュ / アンビエンス / フォーリー）
- 持続時間 + エンベロープ（鋭いアタック vs. 穏やかなスウェル）
- レイヤリングノート（単一ヒット vs. スタック）
ディスパッチする前に、計画を2～3文で述べてください。
ステップ2 — プロンプトを作成する
アップストリームモデルが好む形式を使用します。audioDuration をAPIパラメータに直接バインドし、「30秒にする」という文言を散文で決して入れないでください。
ステップ3 — メディア契約を介してディスパッチする
統一ディスパッチャーを使用します — プロバイダAPIを手動で呼び出さないでください：
"$OD_NODE_BIN" "$OD_BIN" media generate \
--project "$OD_PROJECT_ID" \
--surface audio \
--audio-kind "<music|speech|sfx>" \
--model "<audioModel from metadata>" \
--duration <audioDuration seconds> \
[--voice "<provider voice id (speech only)>"] \
--output "<short-slug>-<duration>s.mp3" \
--prompt "<assembled prompt from Step 2 — for speech, the literal script>"
コマンドは1行のJSONを出力します：{"file": {"name": "...", ...}}。バイトはプロジェクトに保存され、FileViewerが自動的にオーディオトランスポートコントロールをレンダリングします。
ステップ4 — 引き継ぎ
次の内容で応答します：計画の概要、ディスパッチャーによって返されたファイル名、ユーザーがバリエーションを希望する場合に試すべきことについての一文（例：「テンポを92 BPMから108 BPMに変更する」といった、「変えて」ではありません）。
厳格なルール
- TTSはスクリプトを文字通り実行します。ディスパッチする前に校正してください — カンマ1つでもリズムが変わります。
- MiniMax TTSは
--voice内の自由形式の声の散文を拒否します。実際のMiniMaxvoice_id（例：male-qn-qingse）を使用するか、フラグを省略してデーモンのデフォルト音声を適用してください。 - ミュージック：30秒未満 = 単一セクション；30～90秒 = イントロ + ボディ；90秒以上 = フルアーク。3幕構成の曲を15秒に詰め込もうとしないでください。
- SFX：「かっこよくして」という段落よりも、適切に説明された1つのレイヤーを優先してください — ジェネレーターは具体的なテクスチャの単語に報酬を与えます。
- 毎ターンファイルを保存します。オーディオビューアはファイルが保存されるとすぐにトランスポートコントロールを表示します。