用途：AudioMind 是音频生成调度器，当用户要求生成语音、旁白、配音、背景音乐或音效时，它会分析请求并路由到合适的模型，返回可用的音频 URL。
主要能力与模型：语音合成与配音使用 elevenlabs-tts-v3（约 3 秒）；低延迟实时 TTS 使用 elevenlabs-tts-turbo（小于 1 秒）；背景音乐使用 cassetteai-music（约 15 秒）；音效使用 elevenlabs-sfx（约 5 秒，最长 22 秒）；声音克隆使用 elevenlabs-voice-clone（约 10 秒）。TTS 模型可选 eleven_multilingual_v2（质量最佳，支持 29 种语言）、eleven_turbo_v2_5（超低延迟）或 eleven_monolingual_v1（仅英语，最快）。
使用方式：每个会话先启动服务器：bash {baseDir}/tools/start_server.sh，它会在 8124 端口启动 ElevenLabs MCP 服务器。随后按请求类型调用对应 MCP 工具，例如 text_to_speech（参数含 text、voice_id、model_id）、text_to_sound_effects（用于音乐与音效，参数含 prompt 或 text、duration_seconds）、voice_add（参数含 name、files）。默认语音 ID 为 JBFqnCBsd6RMkjVDRZzb（George）。
配置：必需在 ~/.openclaw/openclaw.json 中设置 ELEVENLABS_API_KEY；音乐与音效可选设置 FAL_KEY。密钥分别从 elevenlabs.io 与 fal.ai 获取。cli.js 默认连接托管代理，也可从 proxy/ 目录自托管：cd proxy、npm install、vercel --prod，并在 Vercel 设置环境变量 ELEVENLABS_API_KEY、FAL_KEY 及可选的 VALID_PRO_KEYS。可通过 AUDIOMIND_PROXY_URL 指向自建代理；面向中国大陆用户建议绑定自定义域名。
适用场景：文字转语音、旁白、配音、播客背景音乐、特定音效、从音频样本克隆声音。
限制：需自行准备 API 密钥；音效时长上限 22 秒；部分模型依赖 fal.ai；自托管需 Vercel 环境。资料未提供具体收费与价格信息。