Voice & Sound Effects Generator 是 OpenChatCut 的语音与音效生成能力，主要包含文本转语音（TTS）与自定义音效（SFX）两部分。
一、用途 可用于从文本生成旁白/解说；为视频创建 TTS 音频；为已有视频、时间线、录屏、幻灯片动画、产品演示、B-roll 剪辑、MG 解说等视觉序列添加、替换或重做旁白与配音；在画面被裁剪、加速、减速、移动、重排或替换后，保持原旁白/配音仍然对齐；在用户未选定具体音色时提供试听与选择；以及在检查过内置音效库之后，按文字描述生成自定义音效。
二、主要能力 TTS：通过 submit_voice 创建音频资产。provider 为必填，可选 doubao、elevenlabs、minimax、inworld、fishaudio、speechify、openai、gemini、mistral、cartesia，但仅能使用 capabilities 提示中显示为已配置的提供商。voiceId 为必填且需具体、属于对应提供商；唯一例外是 MiniMax 的 timbreWeights 混音，此时 voiceId 需为空。不同提供商的字段支持不同：OpenAI 支持 modelId、speed、outputFormat、instructions；Gemini 支持 modelId、outputFormat、instructions；Mistral 支持 modelId、outputFormat；Cartesia 支持 modelId、speed、languageCode、outputFormat；Inworld、Fish Audio、Speechify 仅接受 voiceId 加可选 modelId。Doubao 支持 speedRatio、loudnessRatio、pitch、emotion、emotionScale、performancePrompt、explicitDialect，但并非每个音色都支持全部表现力控制。ElevenLabs 保留其官方音色设置、语言、seed、输出、归一化、发音词典、连续性、日志与延迟控制，eleven_v3 支持内联音频标签。submit_voice 仅创建音频资产，时间线放置、替换、裁剪与对齐由后续时间线工具完成。长旁白可拆分为多次 submit_voice 调用。
音效：普通剪辑音效不先生成，应先用 browse_library（category:"sound-effects"，可查询 whoosh、camera shutter、notification、censor beep、record scratch 等），检查返回的 library:sound:<id>，再通过 edit_item 以 fromFrame 为锚点放置。仅当用户明确要求生成/原创/自定义音效，或所请求音效过于具体、库中无合适匹配时，才用 submit_sound，支持 prompt（必填）、durationSeconds（0.5-22 秒）、promptInfluence（0-1）与可选 name。
三、使用方式
- 若已有画面目标且用户需要旁白/配音，应先阅读 references/video-sync.md，再进行撰写、生成或放置；即使未明说“同步”也应如此。仅当没有画面目标或用户只要纯音频资产时，走普通独立 TTS 路径。
- 用户未选定具体音色时：对 Doubao、ElevenLabs、MiniMax，先读 references/voices.md，按目标旁白语言及性别、年龄、语气、用途等显式要求筛选，挑选 2-4 个匹配预设，加载 widget-forms 后调用 ask_followup_questions，附真实内置音频样本，等待选择后用所选预设 ID 作为 voiceId 调用 submit_voice。对 Inworld、Fish Audio、Speechify、OpenAI、Gemini、Mistral、Cartesia，不提供虚构试听列表或样本 URL，需用户提供/确认具体音色 ID。
- 区分“用户对话语言”与“目标旁白语言”：对话语言用于回复、表单标签、选项名称与摘要；目标旁白语言仅用于选择提供商与音色目录。
- 提供商选择：优先用户明确指定且已配置的提供商；中文旁白优先匹配的 Doubao 精选音色（或在配置/要求时用 MiniMax）；英文/多语言旁白优先精选 ElevenLabs 音色；其他提供商需用户选定并确认音色 ID。不得提供 capabilities 中未显示为已配置的提供商。
四、适用场景 视频旁白/配音生成、已有影片的解说添加或替换、画面变动后的旁白对齐维护、音色试听与选择、以及内置库无法满足时的自定义音效生成。
五、限制 音色 ID 必须与提供商对应，禁止混用；不得在只有宽泛描述时提交 TTS；未查 references/voices.md 不得推荐或渲染精选 TTS 选项；不得为 Inworld、Fish Audio、Speechify、OpenAI、Gemini、Mistral、Cartesia 编造预设或样本 URL；不得向不支持的提供商传入其不支持的字段；不得声称稳定的年龄、地区口音、发音词典或精确时长控制，除非所选提供商公开支持；未经用户要求不得用 TTS 替换原始录制语音。精选音色目录仅覆盖 Doubao、ElevenLabs、MiniMax。具体收费、价格与更多平台信息暂未提供。