名称： audio-gen
描述： 按需生成有声书、播客或教育音频内容。用户提供想法或主题，Claude AI 编写脚本，ElevenLabs 将其转换为高质量音频。支持多种格式（有声书、播客、教育类）、自定义长度和语音效果。当用户要求创建音频内容、制作播客、生成有声书或制作教育音频时使用。通过 MEDIA 令牌返回 MP3 音频文件。
主页： https://github.com/clawdbot/clawdbot
元数据： {"clawdbot":{"emoji":"🎙️","requires":{"skills":["sag"],"env":["ANTHROPIC_API_KEY","ELEVENLABS_API_KEY"]},"primaryEnv":"ANTHROPIC_API_KEY"}}
利用 AI 编写的脚本和 ElevenLabs 文本转语音技术，按需生成高质量的有声书、播客或教育音频内容。
创建有声书章节：
用户："创建一个关于一条龙发现友谊的 5 分钟有声书章节"
生成播客：
用户："制作一个关于咖啡历史的 10 分钟播客"
制作教育内容：
用户："生成一段 15 分钟的教育音频，解释神经网络的工作原理"
风格： 具有情感深度的叙事性故事
- 清晰的开始、发展和结尾
- 描述性语言和生动的意象
- 富有戏剧性的节奏和深思熟虑的停顿
- 与故事匹配的情感基调
- 使用语音效果如 [whispers]、[excited]、[serious] 来增强感染力
示例结构：
[开篇引子 - 设定场景]
[长停顿]
[故事发展与角色情感]
句子间使用 [短停顿]
段落间使用 [长停顿]
[高潮与戏剧张力]
[长停顿]
[结局与情感收尾]
风格： 对话式且引人入胜
- 温暖、欢迎式的开场（15-30 秒）
- 内容主体自然流畅
- 话题间的过渡
- 令人难忘的结尾，总结要点
- 始终保持对话式语气
示例结构：
**开场：** "欢迎收听 [主题]。我很高兴与您分享..."
[短停顿]
**主要内容：** "让我们从... [话题 1] 开始"
段落间使用 [长停顿]
**结尾：** "感谢收听！请记住..."
风格： 清晰易懂的解释，适合学习
- 用简单方式介绍复杂主题
- 逐步分解讲解
- 现实世界的例子和类比
- 结尾回顾核心概念
- 热情洋溢的讲述，对重点使用 [excited]
示例结构：
**引言：** 什么是 [主题] 以及它为何重要？
**主要内容：**
- 概念 1：解释 + 示例
- 概念 2：解释 + 示例
- 概念 3：解释 + 示例
**总结：** 关键要点与后续步骤
字数与时长转换：
- 5 分钟 ≈ 375 字
- 10 分钟 ≈ 750 字
- 15 分钟 ≈ 1125 字
- 20 分钟 ≈ 1500 字
- 30 分钟 ≈ 2250 字
语速： 平均对话速度约为每分钟 75 字
实际限制：
- 最短：2 分钟（约 150 字）
- 最长：30 分钟（约 2250 字）
- 最佳时长：5-15 分钟，以保持最佳参与度
解析用户请求，明确：
1. 内容类型（有声书、播客、教育类，或根据主题推断）
2. 主题/题材（内容应关于什么）
3. 目标时长（多少分钟）
4. 语调/风格（戏剧性、随意、教育性等）
5. 特殊要求（特定语音、强调某些要点）
目标字数 = 目标分钟数 × 75
示例：10 分钟 = 10 × 75 = 750 字
遵循以下规则编写完整脚本：
内容指南：
- 以引人入胜的开头开始
- 保持自然、对话式的流畅度
- 使用主动语态和简单的句子结构
- 包含相关的例子和故事
- 以令人满意的结论结尾
格式规则：
- 在句子后添加 [短停顿]（谨慎使用，并非每句都需要）
- 在段落或主要部分之间添加 [长停顿]
- 策略性地使用语音效果：[whispers]、[shouts]、[excited]、[serious]、[sarcastic]、[sings]、[laughs]
- 将数字写成单词："二十三" 而非 "23"
- 首次出现时拼写缩写："AI，即人工智能"
- 避免复杂的标点符号（破折号可用，但分号朗读效果不佳）
- 在 TTS 转换前移除所有 Markdown 格式
向用户展示脚本并询问：
这是我创建的 [格式] 脚本（大约 [时长] 分钟）：
[显示脚本]
您希望我：
1. 现在生成音频
2. 修改脚本
3. 调整长度或语调
如果用户要求修改：
- 根据调整重新生成脚本
- 保持目标字数
- 展示修订后的版本
如果用户批准：
- 继续生成音频
为 TTS 格式化脚本：
1. 移除所有剩余的 Markdown 格式（标题、粗体、斜体）
2. 确保语音效果使用正确的 [效果] 格式
3. 检查停顿位置是否恰当
4. 确认数字和缩写已拼写出来
调用 TTS 脚本：
重要提示： ELEVENLABS_API_KEY 环境变量已在系统中配置。直接调用 TTS 脚本即可。
uv run /home/clawdbot/clawdbot/skills/sag/scripts/tts.py \
-o /tmp/audio-gen-[时间戳]-[主题短链].mp3 \
-m eleven_multilingual_v2 \
"[格式化后的脚本]"
对于长脚本，使用 heredoc：
uv run /home/clawdbot/clawdbot/skills/sag/scripts/tts.py \
-o /tmp/audio-gen-[时间戳]-[主题短链].mp3 \
-m eleven_multilingual_v2 \
"$(cat <<'EOF'
[格式化后的脚本]
EOF
)"
返回结果：
MEDIA:/tmp/audio-gen-[时间戳]-[主题短链].mp3
您的 [格式] 已准备就绪！[内容简要描述]。时长：约 [X] 分钟。
可用的语音调制效果（为增强效果，请谨慎使用）：
[whispers] - 柔和、亲密的讲述[shouts] - 响亮、强调的讲述[excited] - 热情、充满活力的语调[serious] - 严肃、庄重的语调[sarcastic] - 讽刺、嘲弄的语调[sings] - 音乐性、旋律性的讲述[laughs] - 愉快、欢乐的语调[short pause] - 短暂静默（约 0.5 秒）[long pause] - 较长静默（约 1-2 秒）最佳实践：
- 在情感时刻使用效果，而非每句话
- 停顿是控制节奏最强大的工具
- 语音效果在有声书和戏剧性内容中效果最佳
- 保持播客和教育内容大部分自然
如果生成的脚本超过目标字数 20% 以上：
我生成的脚本是 [X] 字（[Y] 分钟），超过了您 [Z] 分钟的目标。您希望我：
1. 压缩它以符合目标长度
2. 将其拆分为多个部分
3. 保持原样
如果生成的脚本少于目标字数 20% 以上：
脚本是 [X] 字（[Y] 分钟），短于您的目标。您希望我：
1. 添加更多细节进行扩展
2. 增加额外的例子或故事
3. 按原样生成
如果 TTS 脚本失败：
我已创建脚本，但目前无法生成音频。这是您的脚本：
[显示脚本]
错误：[具体错误信息]
您可以：
1. 检查 ELEVENLABS_API_KEY 是否已配置
2. 使用您自己的文本转语音工具处理此脚本
3. 稍后再试
4. 让我排查音频生成问题
常见的 TTS 问题：
- API 密钥未设置：检查配置中的 ELEVENLABS_API_KEY
- 速率限制：稍等片刻再试
- 文本过长：拆分成更小的块（最大约 5000 字符）
对于不切实际的请求（例如，"100 小时的有声书"）：
该长度需要 [X] 字，并且需要大量时间生成。我建议：
- 将其拆分为多个剧集/章节
- 每个音频文件目标时长为 5-30 分钟
- 创建一个系列而非单个长文件
TTS 实现：
- 使用 Python 脚本：~/.clawdbot/clawdbot/skills/sag/scripts/tts.py
- 无需二进制安装（纯 Python + requests）
- 直接调用 ElevenLabs API
- 兼容 Linux 和 macOS
文件存储：
- 音频文件保存至 /tmp/audio-gen/
- 文件名格式：audio-gen-[时间戳]-[主题短链].mp3
- 文件在 24 小时后自动清理
API 要求：
- Anthropic API 用于脚本生成（已配置）
- ElevenLabs API 用于文本转语音（通过 ELEVENLABS_API_KEY 配置）
- 两项服务必须已配置并有可用额度
支持的模型：
- eleven_multilingual_v2 - 最佳质量（默认）
- eleven_turbo_v2 - 生成速度更快
- eleven_turbo_v2_5 - 生成速度最快
- eleven_multilingual_v1 - 旧版模型
成本估算：
- 10 分钟音频（约 750 字）：约 1.43 美元
- Claude API：约 0.075 美元
- ElevenLabs：约 1.35 美元
- 更长内容按比例增加
生成时间：
- 脚本生成：5-30 秒（取决于长度）
- 音频生成：5-15 秒（ElevenLabs 处理）
- 总计：10 分钟音频通常不超过 1 分钟
最大长度： 每个音频文件 30 分钟（约 2250 字）
单一语音： 目前仅支持一个叙述者语音
无背景音乐： 仅纯语音叙述
实时生成： 每个请求都生成新内容
语言： 主要为英语
用户：创建一个 5 分钟的有声书章节，讲述一个孤独的机器人学习感受情感
助手：我将创建一个 5 分钟的科幻有声书章节。让我来写这个故事...
[生成约 400 字、带有情感弧线的叙事]
这是我创作的关于 Unit-7 的故事，Unit-7 是一个维护机器人，通过一次意外的相遇发现了友谊的意义。您希望我现在生成音频，还是先修改？
用户：生成音频
助手：[使用格式化脚本调用 SAG]
MEDIA:/tmp/audio-gen-1234567890-lonely-robot.mp3
您的有声书章节已准备就绪！故事讲述了 Unit-7 通过与一位年轻工程师的感人相遇而经历的情感觉醒。时长：约 5 分钟。
用户：制作一个关于可持续生活技巧的 10 分钟播客
助手：[生成包含开场、5 个实用技巧、结尾的播客脚本]
这是一个 10 分钟的播客，包含 5 个可操作的可持续生活技巧。语调是鼓励性和实用性的。您希望我：
1. 现在生成音频
2. 使其更具紧迫感/气候关注性
3. 添加更多具体例子
4. 调整长度
用户：为每个技巧添加更多具体例子
助手：[重新生成，添加详细例子]
现在如何？我已经添加了具体例子，如计算您的碳足迹、在家堆肥以及选择可持续品牌。可以生成音频了吗？
用户：完美！
助手：MEDIA:/tmp/audio-gen-1234567890-sustainable-living.mp3
您的可持续生活播客已准备就绪，包含 5 个实用技巧，每个技巧都有您今天就可以开始使用的具体例子！时长：10 分钟。
用户：创建一个 15 分钟的教育音频，为初学者解释量子计算
助手：我将创建一个适合初学者的 15 分钟量子计算解释...
[生成约 1100 字，包含类比、例子和清晰结构]
脚本预览：
- 引言：什么是量子计算？（2 分钟）
- 经典计算 vs 量子计算：关键区别（4 分钟）
- 量子比特与叠加态：工作原理（5 分钟）
- 实际应用：对您意味着什么（3 分钟）
- 结论：计算的未来（1 分钟）
我应该生成音频吗？
用户：是的，请
助手：MEDIA:/tmp/audio-gen-1234567890-quantum-computing.mp3
您的关于量子计算的教育播客已准备就绪！它使用日常类比来解释量子比特、叠加态和实际应用。时长：约 15 分钟。
当用户请求以下内容时，使用 audio-gen 技能：
- "创建一个关于...的有声书"
- "制作一个关于...的播客剧集"
- "生成解释...的音频内容"
- "录制一个关于...的故事"
- "制作一个...的音频指南"
- "创建...的叙述版本"
- "制作一个关于...的音频课程"
请勿用于：
- 转录现有音频（使用 whisper 技能）
- 将用户编写的文本转换为音频（直接使用 SAG 技能）
- 实时语音交互（使用 voice-call 插件）
- 多说话者对话或采访（当前限制）
用户可以请求特定语音：
用户：用 Rachel 语音创建一个播客
助手：[检查配置中 "Rachel" 语音的 ID，并在 SAG 命令中使用]
对于多部分内容：
用户：创建一个关于太空探索的 3 集系列
助手：我将首先创建第 1 集。每集 10 分钟。让我们从 "太空时代的黎明" 开始...
[完成后]
第 1 集已准备就绪！您希望我继续制作第 2 集吗？
混合格式以创造独特风格：
用户：创建一个讲述故事的教育播客
助手：[生成结合叙事故事与教育解释的内容]
问题： 音频听起来机械或不自然
解决方案： 添加更多停顿和语音效果。使用缩略语和对话式语言。
问题： 脚本与请求的长度不匹配
解决方案： 使用明确的目标字数重新生成。检查计算（75 字/分钟）。
问题： 内容过于技术性或过于简单
解决方案： 询问用户目标受众。相应地调整复杂度。
问题： SAG 命令失败
解决方案： 检查 ELEVENLABS_API_KEY 是否已设置。验证 SAG 技能是否已安装并正常工作。
问题： 用户希望手动编辑脚本
解决方案： 提供纯文本脚本。用户可以修改后粘贴回来进行音频生成。
💡 专业提示： 始终先生成脚本并获得用户批准，然后再创建音频。这可以节省时间和 API 成本，并确保用户获得他们想要的内容。