该技能用于视频音频获取，把音频视为必须主动决定的三件事：旁白、配乐、音效，即便无旁白的成片也应明确选择静音。随技能提供 scripts/measure.py（测量时长与每秒能量结构）和 scripts/normalize_audio.py（响度），二者仅用标准库，需要 PATH 上有 ffmpeg/ffprobe。
合成与素材获取不随技能提供，需安装：pip install 'video-studio-engine[audio] @ https://github.com/scrollmark/social-skills/archive/refs/heads/master.tar.gz' 可加入 tts_kokoro（本地语音加词级时间戳）和 gen_music；不带 [audio] 的同一命令足以使用 stock_freesound（音效，按许可证过滤）。[audio] 还包含 duck_music 与 music_catalog。未合成的旁白可从 gen_captions 获取词级时间戳，需 [captions]。ElevenLabs 有 video-studio tts_eleven，按字符计费并需要 ELEVENLABS_API_KEY，且不返回词时间戳。
主要用法：旁白优先在拍素材前合成，因为实测旁白时长决定场景时钟；相同文本、语音与设置在缓存命中时报告 cached: true，只需重合成改动行。配乐是版权决策：可发布内容宜用授权曲库生成器，能指定确切长度；Lyria 在 Google 条款下干净但免费额度为零，会持续 429；MiniMax 免费但再分发权不明，仅限内部与演示，不应自动选用。音效默认仅接受 CC0，放宽到 CC-BY 需署明来源，非商业授权音效不能用于客户项目。
限制与注意：多数音乐生成器忽略提示中的时长，须实测返回文件，不要写入计划时长；按实测的 3 dB 以上跃迁点切换段落；加入音乐可能整体压低约 6 dB，渲染后用 normalize_audio.py 恢复；混音底音量须实测验证，勿凭猜测。具体服务费用与许可证见 studio-setup 技能的 SERVICES.md。