SuperAPI AI 工具集

Skill 广场

找到适合任务的 Agent Skill,阅读介绍并复制安装命令。

更新于 11-18 00:15

通用与其它

53,942 个结果

elevenlabs-dialogue

ElevenLabs Dialogue 是一个通过 inference.sh CLI(belt)生成多说话人对话音频的技能。它可以在单个音频文件中创建由不同声音演绎的对话,适合播客、有声书、教程、产品演示和客服培训等场景。该技能提供 22 种以上优质声音,支持在文本中用方括号添加语气指令(如 [excitedly]、[whispering])来控制表达方式,并可与其他音频技能配合生成带背景音乐的成品。

通用与其它4 次安装

elevenlabs-stt

ElevenLabs 语音转文字(STT)技能,通过 inference.sh 命令行工具(belt CLI)调用 Scribe 系列模型完成高精度转录与强制对齐。Scribe v2 为默认模型,官方资料称准确率达 98% 以上,支持 90 多种语言并自动检测。主要能力包括:基础音频转录、说话人识别(diarize)、音频事件标注(如笑声、掌声、音乐)、指定语言转写,以及强制对齐(forced alignment)以获取词级和字符级时间戳。适用于会议记录、播客转写、视频字幕、访谈研究、无障碍转录和动画对口型等场景。需先安装 belt CLI 并登录,再通过 belt app run 命令传 JSON 参数调用。

通用与其它4 次安装

elevenlabs-tts

ElevenLabs 文本转语音技能,通过 inference.sh CLI(belt)调用,提供 22+ 种高级音色、多语言支持与语音参数调节。支持 eleven_multilingual_v2(最高质量、32 种语言)、eleven_turbo_v2_5(速度与质量平衡)、eleven_flash_v2_5(超低延迟)三种模型,可调节 stability、similarity_boost、style、use_speaker_boost 等参数,并支持多种 MP3 与 PCM 输出格式。适用于配音、有声书、播客、在线课程、无障碍朗读、IVR 与视频旁白等场景。

通用与其它4 次安装

elevenlabs-voice-changer

ElevenLabs 变声技能,通过 inference.sh CLI(belt)将任意人声转换为另一种声音,同时保留原始语音内容与情感。默认使用 Multilingual STS v2 模型,支持 70 多种语言,也可选用针对英语优化的 English STS v2 模型。提供 22 种以上与 ElevenLabs TTS 相同的优质音色(如 george、aria、alice、brian、charlie 等),可指定输出音频格式。典型用途包括内容创作、配音替换、角色声音制作、隐私匿名化、视频译制与声音原型测试。使用前需安装并登录 belt CLI。

通用与其它4 次安装

elevenlabs-voice-isolator

ElevenLabs Voice Isolator 是一个通过 inference.sh CLI(belt)调用的音频处理技能,用于去除背景噪声并分离人声。它支持 WAV、MP3、FLAC、OGG、AAC 等格式,单文件最大 500MB、最长 1 小时。可去除环境噪声、背景音乐、混响回声、风声、交通与人群噪声、电流嗡鸣等非人声声音,适用于播客清理、采访降噪、音乐人声提取、视频对白处理、旧录音修复、会议录音优化以及为声音克隆准备干净素材等场景。

通用与其它4 次安装

speech-to-text

该技能通过 inference.sh 命令行工具(belt CLI)将音频转写为文本,支持 ElevenLabs Scribe v2、Fast Whisper V3 和 Whisper V3 Large 三种模型。ElevenLabs Scribe v2 具备 98%+ 准确率、说话人分离和 90+ 语言支持;Fast Whisper V3 适合快速转写;Whisper V3 Large 追求最高准确率。支持时间戳、翻译为英文、从视频提取音频后转写,以及生成视频字幕的工作流。输出 JSON 格式,包含全文、带时间戳的分段和检测到的语言。适用于会议记录、播客转写、字幕制作、语音笔记、访谈研究和无障碍访问等场景。

通用与其它4 次安装

text-to-speech

这是一个通过 inference.sh CLI(belt)将文本转换为自然语音的技能,支持 Inworld TTS、ElevenLabs、DIA TTS、Kokoro、Chatterbox、Higgs Audio、VibeVoice 等多种语音合成模型。用户可安装 belt CLI 技能后,使用 belt app run 命令调用不同模型生成语音,例如 Kokoro TTS、Inworld TTS-2 等。Inworld TTS-2 支持 100 多种语言,并可通过方括号在文本中内联控制情绪、音量、语速和非语言声音,提供 STABLE、BALANCED、CREATIVE 三种交付模式。Inworld TTS 1.5 Max 和 Mini 面向低延迟场景,分别低于 200 毫秒和约 120 毫秒。该技能适用于配音、有声书、播客、无障碍内容、IVR 语音提示、视频旁白、游戏 NPC 角色语音、对话式 AI 以及头像视频等场景,也可与视频生成模型结合制作说话头像视频。

通用与其它4 次安装