音訊廣告歌技能
三個子模式。由當前專案的 audioKind 決定執行哪一個：
audioKind | 路由模型 | 計劃重點 |
|---|---|---|
music | Suno V5（預設）、Udio、Lyria 2 | 曲風 + 節奏 + 配器 |
speech | MiniMax TTS（預設）、Fish、ElevenLabs V3 | 指令稿 + 聲音 + 節奏 |
sfx | ElevenLabs SFX（預設）、AudioCraft | 質感 + 衝擊力 + 時長 |
資源對應
audio-jingle/
├── SKILL.md
└── example.html
工作流程
步驟 0 — 讀取專案後設資料
audioKind、audioModel、audioDuration（秒數），以及（語音時）voice。根據已知值進行分支，並直接使用這些值。缺少後設資料不代表要詢問：在可能的情況下推斷安全的預設值，只有當缺少的資訊會實質改變請求的輸出或導致無法生成時，才發出澄清表單。
重要提示：voice 是供應商特定的。對於 minimax-tts，--voice 必須是有效的 MiniMax voice_id（例如 male-qn-qingse），而不是自然語言描述。如果您只有一段散文式的人聲簡介（例如「溫暖的女性旁白」、「中性中文」），請將其保留在您的計劃中，但省略 --voice 以讓守護行程套用預設的聲音 ID，或請使用者選擇特定的 ID。
步驟 1 — 規劃
音樂
- 曲風 + 參考藝人（1-2 位）
- 節奏（BPM）+ 調性
- 配器（最多 3-5 種樂器）
- 人聲：有 / 無 / 哼唱 / 合唱
- 情緒弧線（前奏 → 主歌 → 尾聲）
語音
- 指令稿（最終版，非草稿 — TTS 會逐字朗讀）
- 聲音目標 + 節奏
對於 MiniMax，這表示一個真實的
voice_id，而非--voice中的散文描述 - 專有名詞 / 縮寫的發音提示
音效
- 質感（撞擊聲 / 呼嘯聲 / 環境音 / 擬音）
- 時長 + 包絡線（銳利攻擊 vs. 柔和漸強）
- 疊加備註（單一擊打 vs. 堆疊）
在分派前，用 2-3 句話說明計劃。
步驟 2 — 組成提示
使用上游模型偏好的格式。將 audioDuration 直接綁定到 API 參數；切勿在散文描述中寫「讓它持續 30 秒」。
步驟 3 — 透過媒體合約分派
使用統一分派器 — 請勿手動呼叫供應商 API：
"$OD_NODE_BIN" "$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>"
該指令會輸出一行 JSON：{"file": {"name": "...", ...}}。位元組資料會存入專案；FileViewer 會自動顯示音訊傳輸控制項。
步驟 4 — 交接
回覆內容需包含：計劃摘要、分派器回傳的檔案名稱，以及一句建議，說明使用者若想嘗試變體該如何調整（例如「將節奏從 92 BPM 改為 108 BPM」，而非「讓它不一樣」）。
硬性規則
- TTS 會逐字朗讀您的指令稿。分派前請先校稿 — 即使多了一個逗號也會改變節奏。
- MiniMax TTS 不接受
--voice中的自由形式人聲散文。請使用真實的 MiniMaxvoice_id（例如male-qn-qingse），或省略該標記，讓守護行程套用預設語音。 - 音樂：少於 30 秒 = 單一樂段；30–90 秒 = 前奏 + 主體；90 秒以上 = 完整樂章。不要試圖將三幕式歌曲塞入 15 秒內。
- 音效：偏好一個描述良好的層，勝過一整段「讓它很酷」的文字 — 生成器會獎勵具體的質感詞彙。
- 每次互動皆需儲存檔案。音訊檢視器會在檔案落地後立即顯示傳輸控制項。