用途：为视频项目设计并生成 AI 语音。资料称声音占视频影响力的一半，良好匹配的语音和音质是"AI 内容"与可信内容的分界。
主要能力：比较两种 TTS 方案（ElevenLabs 与 Qwen3-TTS）；通过文字描述设计声音；克隆已有声音；管理多角色配音的一致性；为 Kling/Veo 等视频工具准备唇形同步。
方案选择：ElevenLabs 为付费云服务，语言 29+，克隆需 1-5 分钟音频，延迟约 200ms；Qwen3-TTS 开源且可自托管，支持 10 种语言，克隆仅需 3 秒音频，流式延迟 97ms。选择依据预算、是否需要自托管、语言与延迟要求。
使用方式：给出声音描述模板（性别、年龄、音域、质感、能量、节奏、口音、参考与需避免项）；克隆流程分别说明 ElevenLabs 的 Instant Clone（1-5 分钟音频）与 Professional Clone（30 分钟以上，24-48 小时）以及 Qwen3-TTS 的零样本克隆；多角色部分提供选角表与差异化规则（音域、节奏、口音、能量）；唇形同步给出 Veo 原生音频、Kling 动作控制、单独生成后后期同步三种路径；最后给出音频导出规格与电平建议。
限制：资料未提供具体的价格数字之外的费用细节、未说明兼容平台列表与用户评价；示例中的参数与流程为技能建议，实际效果需自行验证。