videoagent-audio-studio

用途：当用户需要生成语音、朗读文本、制作旁白配音、创作音乐或生成音效时使用，技能会分析请求并路由到可用的音频模型，返回音频 URL。主要能力与路由：旁白/配音走 elevenlabs-tts-v3（约 3 秒）；实时低延迟 TTS 走 elevenlabs-tts-turbo（小于 1 秒）；背景音乐走 cassetteai-music（约 15 秒）；音效走 elevenlabs-sfx（约 5 秒）；从音频克隆声音走 elevenlabs-voice-clone（约 10 秒）。使用方式：每个会话先启动一次服务 bash {baseDir}/tools/start_server.sh，该命令会在 8124 端口启动 ElevenLabs MCP 服务器，所有音频生成均通过它完成。随后按请求类型调用相应 MCP 工具：TTS 用 text_to_speech（含 text、voice_id、model_id，默认声音 George，默认模型 eleven_multilingual_v2，低延迟可用 eleven_turbo_v2_5）；音乐和音效用 text_to_sound_effects（音乐经 fal.ai 的 cassetteai-music，音效时长 1-22 秒）；声音克隆用 voice_add（含 name、files）。必要配置：在 ~/.openclaw/openclaw.json 中设置 ELEVENLABS_API_KEY（必填，key 来自 elevenlabs.io），可选设置 FAL_KEY 用于 fal.ai 的音乐与音效模型。自托管代理：cli.js 默认连接托管代理，也可在 proxy/ 目录执行 cd proxy、npm install、vercel --prod 自行部署，并在 Vercel 配置 ELEVENLABS_API_KEY、FAL_KEY 及可选的 VALID_PRO_KEYS，再用 export AUDIOMIND_PROXY_URL="https://your-domain.com/api/audio" 或写入配置指向自建代理；中国大陆用户建议绑定自定义域名以避开 vercel.app 的 DNS 问题。限制：具体收费、价格、配额、并发与语言支持范围除资料所述外暂未提供；v3.0.0 起仅保留稳定可用模型，音效最长 22 秒。