videoagent-audio-studio

🎙️ VideoAgent Audio Studio

Use quando: O usuário solicitar gerar fala, narrar texto, criar narração, compor música ou produzir um efeito sonoro.

VideoAgent Audio Studio é um despachante inteligente de áudio. Ele analisa sua solicitação e a direciona para o melhor modelo disponível — ElevenLabs para fala e música, fal.ai para SFX rápidos — e retorna uma URL de áudio pronta para uso.

---

Referência Rápida

Tipo de Solicitação	Melhor Modelo	Latência
Narrar texto / Narração	elevenlabs-tts-v3	~3s
TTS de baixa latência (tempo real)	elevenlabs-tts-turbo	<1s
Música de fundo	cassetteai-music	~15s
Efeito sonoro	elevenlabs-sfx	~5s
Clonar uma voz a partir de áudio	elevenlabs-voice-clone	~10s

---

Como Usar

1. Iniciar o servidor AudioMind (uma vez por sessão)

bash {baseDir}/tools/start_server.sh

Isso inicia o servidor MCP do ElevenLabs na porta 8124. A skill o utiliza para toda geração de áudio.

2. Roteie a solicitação

Analise a solicitação do usuário e chame a ferramenta apropriada através do servidor MCP:

Texto-para-Fala (TTS)

Quando o usuário pedir para "narrar", "ler em voz alta", "dizer" ou "criar uma narração":

Use a ferramenta MCP: text_to_speech
  text: "<o texto a narrar>"
  voice_id: "JBFqnCBsd6RMkjVDRZzb"   # Padrão: "George" (profissional, neutro)
  model_id: "eleven_multilingual_v2"   # Use "eleven_turbo_v2_5" para baixa latência

Geração de Música

Quando o usuário pedir para "compor", "criar música de fundo" ou "fazer uma trilha sonora":

Use a ferramenta MCP: text_to_sound_effects  (via cassetteai-music no fal.ai)
  prompt: "<descrição da música, ex. 'lo-fi hip hop animado, 90 segundos'>"
  duration_seconds: <duração>

Efeito Sonoro (SFX)

Quando o usuário pedir um som específico (ex.: "uma porta rangendo", "chuva na janela"):

Use a ferramenta MCP: text_to_sound_effects
  text: "<descrição do som>"
  duration_seconds: <1-22>

Clonagem de Voz

Quando o usuário fornecer uma amostra de áudio e quiser clonar a voz:

Use a ferramenta MCP: voice_add
  name: "<nome da voz>"
  files: ["<url_do_arquivo_de_audio>"]

---

Exemplos de Conversas

Usuário: "Dê voz a este texto para mim: Bem-vindo ao lançamento do nosso produto"

→ Roteie para: text_to_speech
  text: "Bem-vindo ao lançamento do nosso produto"
  voice_id: "JBFqnCBsd6RMkjVDRZzb"
  model_id: "eleven_multilingual_v2"

🎙️ Narração concluída! Ouça aqui

---

Usuário: "Gere 60 segundos de música de fundo relaxante para um podcast"

→ Roteie para: cassetteai-music (fal.ai)
  prompt: "música de fundo lo-fi relaxante para podcast, piano suave e batidas suaves, 60 segundos"
  duration_seconds: 60

🎵 Música de fundo pronta! Ouça aqui

---

Usuário: "Gere um efeito sonoro de porta abrindo estilo sci-fi"

→ Roteie para: text_to_sound_effects
  text: "uma porta futurista de ficção científica deslizando com um chiado hidráulico"
  duration_seconds: 3

---

Configuração

Obrigatório

Defina ELEVENLABS_API_KEY em ~/.openclaw/openclaw.json:

{
  "skills": {
    "entries": {
      "videoagent-audio-studio": {
        "enabled": true,
        "env": {
          "ELEVENLABS_API_KEY": "sua_chave_elevenlabs_aqui"
        }
      }
    }
  }
}

Obtenha sua chave em elevenlabs.io/app/settings/api-keys.

Opcional (para modelos de música e SFX do fal.ai)

"FAL_KEY": "sua_chave_fal_aqui"

Obtenha sua chave em fal.ai/dashboard/keys.

---

Auto-hospedagem do Proxy

O cli.js conecta-se a um proxy hospedado por padrão. Se você quiser controle total — ou precisar atender usuários em regiões onde vercel.app está bloqueado — pode implantar sua própria instância a partir do diretório proxy/.

Implantação Rápida (Vercel)

cd proxy
npm install
vercel --prod

Variáveis de Ambiente

Defina estas no seu projeto Vercel (Painel → Configurações → Variáveis de Ambiente):

Variável	Obrigatória para	Onde Obter
ELEVENLABS_API_KEY	TTS, SFX, Clone de Voz	elevenlabs.io/app/settings/api-keys
FAL_KEY	Geração de música	fal.ai/dashboard/keys
VALID_PRO_KEYS	(Opcional) Restringir acesso	Lista separada por vírgulas das chaves de cliente permitidas

Aponte cli.js para o Seu Proxy

export AUDIOMIND_PROXY_URL="https://seu-dominio.com/api/audio"

Ou defina em ~/.openclaw/openclaw.json:

{
  "skills": {
    "entries": {
      "videoagent-audio-studio": {
        "env": {
          "AUDIOMIND_PROXY_URL": "https://seu-dominio.com/api/audio"
        }
      }
    }
  }
}

Domínio Personalizado (Recomendado)

Se seus usuários estiverem na China continental, vincule um domínio personalizado no Painel Vercel → Configurações → Domínios para evitar problemas de DNS com vercel.app.

---

Referência de Modelos

ID do Modelo	Tipo	Provedor	Observações
eleven_multilingual_v2	TTS	ElevenLabs	Melhor qualidade, suporta 29 idiomas
eleven_turbo_v2_5	TTS	ElevenLabs	Latência ultrabaixa, ideal para tempo real
eleven_monolingual_v1	TTS	ElevenLabs	Apenas inglês, mais rápido
cassetteai-music	Música	fal.ai	Geração de música confiável e rápida
elevenlabs-sfx	SFX	ElevenLabs	Efeitos sonoros de alta qualidade (até 22s)
elevenlabs-voice-clone	Clone	ElevenLabs	Clone qualquer voz a partir de uma curta amostra de áudio

---

Histórico de Mudanças

v3.0.0

• Tabela de roteamento simplificada: Removeu modelos instáveis/offline da referência principal. A skill agora exibe apenas modelos que funcionam de forma confiável.
• Gatilhos de uso mais claros: Adicionada seção "Use quando" para que o agente ative esta skill no momento certo.
• Configuração unificada: Uma única ELEVENLABS_API_KEY é tudo que você precisa para começar. FAL_KEY agora é opcional.
• Complexidade de polling removida: A geração de música agora usa cassetteai-music por padrão, que conclui de forma síncrona.

v2.1.0

• Adicionado fluxo de trabalho assíncrono para tarefas de geração de música de longa duração.
• Adicionado cassetteai-music como alternativa estável para geração de música.

v2.0.0

• Migrado para arquitetura de servidor MCP ElevenLabs.
• Adicionado suporte a clonagem de voz.

v1.0.0

• Lançamento inicial com roteamento de TTS, música e SFX.