用途：处理基于 AI 模型的音频任务，与 FFmpeg 原生音频操作（loudnorm、EQ、压缩、去静音、混音）的 claude-video-audio 子技能区分使用。
主要能力：
- 音源分离（Demucs v4）：分离人声、鼓、贝斯等，常用 --stems vocals，--stems all 输出四轨；htdemucs_ft 质量最佳需 7GB 显存，htdemucs 更快需 5GB。
- 说话人分离（pyannote-audio 4.0）：识别谁在何时说话，可配合 WhisperX 生成带说话人标签的文本，输出 speakers.json；需 HuggingFace token（HF_TOKEN 或 --hf-token）。
- AI 降噪（DeepFilterNet3）：优于 FFmpeg afftdn，显存占用小于 1GB；未安装时回退到 ffmpeg -n -i "$INPUT" -af "afftdn=nf=-25:nt=w" -c:v copy "$OUTPUT"。
- TTS 配音：支持 ElevenLabs（需 ELEVENLABS_API_KEY）、OpenAI（需 OPENAI_API_KEY）、Bark（本地免费，需 12GB 显存）。
- 音频升采样（AudioSR）：将 8-16kHz 电话音质提升至 24kHz 带宽、48kHz 采样率，需 6-8GB 显存。
使用方式：先执行 source ~/.video-skill/bin/activate 激活虚拟环境，再用 python3 scripts/audio_enhance.py 加子命令（separate、diarize、denoise、tts、upsample）运行；可用 nvidia-smi --query-gpu=memory.free --format=csv,noheader,nounits 查看空闲显存。
限制：各模型按需加载并在处理后卸载；Bark 需独占 12GB 显存；API 类 TTS 会产生费用，生成前须确认；不得覆盖源音频文件；长音频使用重型模型时处理时间较长。具体模型细节与 API 配置见 references/audio-enhance.md。