ElevenLabs 音频生成技能用于通过 ElevenLabs API 生成 AI 配音、音效与音乐，面向需要为视频、播客或游戏制作音频内容的场景。技能以 OpenMontage 的提供方路由为入口：选择认证路径前应先检查 OpenMontage 注册表。当 fal_elevenlabs_tts 可用时优先使用它，它通过集中管理的 fal.ai 连接提供 Eleven v3、Multilingual v2 和 Turbo v2.5，无需单独的 ElevenLabs 凭据；仅当注册表报告直接提供方可用时才使用 elevenlabs_tts。在共享安装中，不要告知用户创建 .env、导出密钥或粘贴凭据，直连提供方访问缺失应作为管理员设置请求上报。文中给出的直接 API 示例需要集中配置的 ELEVENLABS_API_KEY，当 fal.ai 提供方可用时它们不是默认路径。
主要能力与使用方式：文本转语音方面，示例通过 client.text_to_speech.convert 传入 text、voice_id、model_id 与 VoiceSettings（stability、similarity_boost、style、speed），并用 save 保存为 voiceover.mp3。模型选择上，eleven_multilingual_v2 一致性最高、生产可用、支持 29 种语言、不支持 SSML；eleven_flash_v2_5 与 eleven_turbo_v2_5 质量良好、支持 <break> 和 <phoneme> 标签，后者延迟最低；eleven_v3 表现力最强但处于 Alpha 阶段、不稳定，需要提示工程。风格参数方面，自然/专业、对话式、活力/YouTuber 三类各自给出 stability、similarity、style、speed 的取值区间。
停顿与发音：使用 flash/turbo 模型时可内联 SSML break 标签，单次最长 3 秒，过多停顿会导致速度失真；multilingual_v2 与 v3 不支持 SSML，可用段落分隔（空行，约 0.3-0.5 秒自然停顿）或后期用 ffmpeg 切分插入静音。文档特别警告省略号不是可靠的停顿手段，可能被读成词或声音。发音控制可用语音拼写（任何模型）或 SSML phoneme 标签（仅 flash/turbo）。迭代工作流为生成、试听、定位发音与节奏问题、调整拼写/停顿标签/语音设置、重新生成；若停顿不够精确，建议在后期用 ffmpeg 添加静音而非与 TTS 引擎较劲。
语音克隆：即时克隆使用 client.voices.ivc.create()（而非 client.voices.clone()），以二进制 "rb" 模式传入文件句柄而非路径，m4a 需先用 ffmpeg 转为 mp3，2-3 个样本可提升准确度，保存 voice_id 以便复用。专业语音克隆需要 Creator 计划及以上、30 分钟以上音频。
音效与音乐：音效单次生成最长 22 秒，通过 client.text_to_sound_effects.convert 传入描述、时长与 prompt_influence，提示应具体。音乐生成时长为 10 秒到 5 分钟，使用 client.music.compose()（不是 .generate()），提示结构包含流派、情绪、乐器、节奏与用途，可用 force_instrumental=True 或注明“无人声”生成背景音乐。
Remotion 集成：完整流程为 VOICEOVER-SCRIPT.md → voiceover.py → public/audio/ → Remotion composition。可用工具 commands/voiceover.py --scene-dir public/audio/scenes --json 为每个场景生成音频并输出 manifest.json（含每个文件的时长与 totalDuration）；在 Composition 中用 Series 按帧时长排列场景，并用 Audio 组件播放持续音轨与低音量背景音乐；也可在每个场景组件内单独添加 Audio。同步原则是按音频时长计算场景帧数（而非相反），示例展示 30fps 下将秒数转换为帧。词级时间戳方面，当字幕、词同步标题或动画提示需要跟随真实语音时，可直接对 elevenlabs_tts 传入 with_timestamps: True，而不是事后转写；结果包含 word_timestamps（词及起止秒数）与 alignment_path（原始字符对齐 JSON），时间以该音频文件起点计，多段拼接到同一时间线时需加上各段偏移；词以空白分隔并保留标点，与服务端规范化文本后 alignment_matches_text 可能为 false。逐段合成可获得精确的段落边界用于场景切换。此外还提供音频淡入、延迟播放（Sequence from）、配音与演示视频同步（按播放速率匹配）以及使用 delayRender/continueRender 的音频加载错误处理模式。命令 /generate-voiceover 负责完整工作流：读取 VOICEOVER-SCRIPT.md、提取各场景旁白、经 ElevenLabs API 生成音频、保存到 public/audio/scenes/、创建带时长的 manifest.json 并更新 project.json 的时序信息。常用语音包括 George (JBFqnCBsd6RMkjVDRZzb)、Rachel (21m00Tcm4TlvDq8ikWAM)、Adam (pNInz6obpgDQGcFmaJgB)，可用 client.voices.get_all() 列出全部。
适用场景与限制：适用于视频配音、播客与游戏音频制作，以及需要字幕/动画与语音精确对齐的 Remotion 项目。限制与前提包括：部分能力依赖 fal.ai 或直连 ElevenLabs 的可用性与凭据，专业语音克隆需要 Creator 计划及以上和 30 分钟以上音频，音效单次最长 22 秒，音乐最长 5 分钟，SSML 仅 flash/turbo 模型支持，eleven_v3 为 Alpha 且不稳定，省略号不能作为停顿手段。文档未提供具体价格与更多平台支持信息。