用途：在 Moda 上生成音频，包括 voiceover/TTS、narration、music、jingles、sound effects，单次渲染最长 600 秒（10 分钟）。音频始终是文件，不是画布图层：设计页面没有音频槽位，导出 mp4 只含视频填充本身的音频。
模式（需显式指定）：--mode text_to_speech（脚本逐字朗读）、text_to_music（描述风格、配器、情绪、速度）、text_to_sfx（描述声音）、speech_to_speech（保留演绎换声音，需 --source-audio）。
用法：先用 moda media models 查看各音频模型的模式、时长范围、字数上限与计费口径；--model 必填，无自动选项。运行 moda media generate-audio --mode [MODE] --prompt "[脚本或描述]" --model [M] [--voice V] [--duration S] -o [out.mp3]。--duration 只对音乐与音效生效。调用同步，超时返回可重试错误，重跑同一命令会接管原任务、不会重复扣费；ElevenLabs 模型为 submission_uncertain，不应重跑。
旁白：优先用用户指定或使用过的声音，否则据品牌、受众与脚本选型，默认自然口语；可让候选声音试读开头一两句请用户挑选，选定后一次性生成整段脚本，避免逐句拼接。v4 支持 1 万字符/次与音频标签，v4-turbo 用于试听草稿。
托管声音：moda voice capabilities、moda voice search、moda voice show、--quote 报价、--no-wait 并行试听、moda task status/cancel。Fish Audio 声音仅在 fishaudio-native-… 模型上渲染。
交付：-o [PATH] 或 moda file download [file_…] -o [PATH]，提供路径及模式、模型、时长、声音说明。限制：无画布音频槽；失败计费预检（如 insufficient_credits）时不得重试；具体价格、平台与官方条款未提供。