🎙️ VideoAgent Audio Studio
使用時機： 當使用者要求生成語音、朗讀文字、建立旁白、創作音樂或產生音效時。
VideoAgent Audio Studio 是一個智慧音訊排程器。它會分析您的請求，並將其路由至最佳可用模型 — ElevenLabs 處理語音與音樂，fal.ai 處理快速音效 — 然後回傳一個可直接使用的音訊 URL。
快速參考
| 請求類型 | 最佳模型 | 延遲 |
|---|---|---|
| 朗讀文字 / 旁白 | elevenlabs-tts-v3 | ~3 秒 |
| 低延遲 TTS（即時） | elevenlabs-tts-turbo | <1 秒 |
| 背景音樂 | cassetteai-music | ~15 秒 |
| 音效 | elevenlabs-sfx | ~10 秒 |
| 從音訊克隆語音 | elevenlabs-voice-clone | ~10 秒 |
如何使用
1. 啟動 AudioMind 伺服器（每次工作階段執行一次）
bash {baseDir}/tools/start_server.sh
此命令會在 8124 連接埠啟動 ElevenLabs MCP 伺服器。本技能將透過此伺服器進行所有音訊生成。
2. 路由請求
分析使用者的請求，並透過 MCP 伺服器呼叫適當的工具：
文字轉語音（TTS）
當使用者要求「朗讀」、「讀出來」、「說」或「建立旁白」時：
使用 MCP 工具：text_to_speech
text: "<要朗讀的文字>"
voice_id: "JBFqnCBsd6RMkjVDRZzb" # 預設：「George」（專業、中性）
model_id: "eleven_multilingual_v2" # 如需低延遲，請使用 "eleven_turbo_v2_5"
音樂生成
當使用者要求「創作」、「建立背景音樂」或「製作配樂」時：
使用 MCP 工具：text_to_sound_effects（透過 fal.ai 上的 cassetteai-music）
prompt: "<音樂描述，例如：'歡快的 lo-fi 嘻哈，90 秒'>"
duration_seconds: <持續時間>
音效（SFX）
當使用者要求特定聲音（例如：「門吱吱作響」、「雨打在窗戶上」）時：
使用 MCP 工具：text_to_sound_effects
text: "<聲音描述>"
duration_seconds: <1-22>
語音克隆
當使用者提供音訊樣本並希望克隆該語音時：
使用 MCP 工具：voice_add
name: "<語音名稱>"
files: ["<音訊檔案網址>"]
對話範例
使用者：「幫我朗讀這段文字：歡迎來到我們的產品發表會」
→ 路由至：text_to_speech
text: "Welcome to our product launch"
voice_id: "JBFqnCBsd6RMkjVDRZzb"
model_id: "eleven_multilingual_v2"
🎙️ 旁白完成！在此收聽
使用者：「為 podcast 生成 60 秒的放鬆背景音樂」
→ 路由至：cassetteai-music (fal.ai)
prompt: "relaxing lo-fi background music for a podcast, gentle piano and soft beats, 60 seconds"
duration_seconds: 60
🎵 背景音樂已準備就緒！在此收聽
使用者：「生成一個科幻風格的開門音效」
→ 路由至：text_to_sound_effects
text: "a futuristic sci-fi door sliding open with a hydraulic hiss"
duration_seconds: 3
設定
必要設定
在 ~/.openclaw/openclaw.json 中設定 ELEVENLABS_API_KEY：
{
"skills": {
"entries": {
"videoagent-audio-studio": {
"enabled": true,
"env": {
"ELEVENLABS_API_KEY": "你的 elevenlabs 金鑰"
}
}
}
}
}
請前往 elevenlabs.io/app/settings/api-keys 取得你的金鑰。
選用設定（適用於 fal.ai 音樂與音效模型）
"FAL_KEY": "你的 fal 金鑰"
請前往 fal.ai/dashboard/keys 取得你的金鑰。
自行託管 Proxy
cli.js 預設會連線至託管的 proxy。如果你想要完全掌控 — 或者需要服務於 vercel.app 被封鎖地區的使用者 — 你可以從 proxy/ 目錄部署自己的實例。
快速部署（至 Vercel）
cd proxy
npm install
vercel --prod
環境變數
在 Vercel 專案中設定這些變數（儀表板 → 設定 → 環境變數）：
| 變數 | 必填原因 | 取得位置 |
|---|---|---|
ELEVENLABS_API_KEY | TTS、SFX、語音克隆 | elevenlabs.io/app/settings/api-keys |
FAL_KEY | 音樂生成 | fal.ai/dashboard/keys |
VALID_PRO_KEYS | （選用）限制存取 | 允許的客戶端金鑰，以逗號分隔 |
將 cli.js 指向你的 Proxy
export AUDIOMIND_PROXY_URL="https://你的網域.com/api/audio"
或者，在 ~/.openclaw/openclaw.json 中設定：
{
"skills": {
"entries": {
"videoagent-audio-studio": {
"env": {
"AUDIOMIND_PROXY_URL": "https://你的網域.com/api/audio"
}
}
}
}
}
自訂網域（建議）
如果你的使用者位於中國大陸，請在 Vercel 儀表板 → 設定 → 網域中繫結一個自訂網域，以避免 vercel.app 的 DNS 問題。
模型參考
| 模型 ID | 類型 | 提供者 | 備註 |
|---|---|---|---|
eleven_multilingual_v2 | TTS | ElevenLabs | 最佳品質，支援 29 種語言 |
eleven_turbo_v2_5 | TTS | ElevenLabs | 超低延遲，適用於即時應用 |
eleven_monolingual_v1 | TTS | ElevenLabs | 僅限英文，速度最快 |
cassetteai-music | 音樂 | fal.ai | 可靠、快速的音樂生成 |
elevenlabs-sfx | 音效 | ElevenLabs | 高品質音效（最長 22 秒） |
elevenlabs-voice-clone | 克隆 | ElevenLabs | 從短音訊樣本克隆任何語音 |
更新日誌
v3.0.0
- 簡化路由表：從主要參考中移除了不穩定/離線的模型。本技能現在只顯示可靠運作的模型。
- 更清晰的使用情境觸發：新增「使用時機」區段，讓代理能在正確的時機啟用此技能。
- 統一設定：只需要一個
ELEVENLABS_API_KEY即可開始使用。FAL_KEY現在是選用的。 - 移除輪詢複雜性：音樂生成現在預設使用
cassetteai-music，它會同步完成。
v2.1.0
- 為長時間運行的音樂生成任務新增非同步工作流程。
- 新增
cassetteai-music作為音樂生成的穩定替代方案。
v2.0.0
- 遷移至 ElevenLabs MCP 伺服器架構。
- 新增語音克隆支援。
v1.0.0
- 初始版本，包含 TTS、音樂與音效路由功能。