Audio Cog - 由CellCog提供支持的AI音频生成

使用AI创建专业音频——旁白、音乐、音效和个性化虚拟形象语音。

CellCog提供三种语音提供商，各有不同优势。请根据您的需求选择：

前提条件

此技能需要cellcog技能以进行SDK设置和API调用。

clawhub install cellcog

请先阅读cellcog技能以完成SDK设置。此技能向您展示可实现的功能。

语音提供商

OpenAI（默认）

最适合标准旁白、配音及需要精确控制的单人语音内容。

核心优势：支持自然语言风格指令——可描述所需的口音、语调、节奏和情感。

8种内置语音：

最佳品质：雪松（男性），水手（女性）。

风格定制示例：

• "温暖的交谈语气，中等语速，提及功能时略带热情。美式口音。"
• "低沉、沙哑、神秘莫测，带着缓慢而刻意的节奏——典型的真实犯罪叙事风格。"
• "浓重的法国口音，优雅而友善，中等语速并带有刻意的停顿。"

ElevenLabs

最适合情感表达、戏剧性内容、角色配音和有声书旁白。

核心优势: 情感标签直接嵌入文本中——[笑声]、[叹息]、[低语]、[兴奋]、[讽刺]等。此外还提供100多种多样化的预制语音。

情感标签（请谨慎使用——每段落1-2个）：

示例提示：

"使用ElevenLabs生成语音，采用温暖的英国男性嗓音： '然后，就在所有人都以为一切都结束了的时候……[停顿][低语]其实并没有。'"

MiniMax

最适合克隆语音（虚拟形象）和精细的语音控制。

关键优势：MiniMax Speech 2.8 HD —— 具备录音室级别的音频品质。支持通过头像克隆生成个性化语音身份，并内置17种以上标准预制声音，可对语速、音调和音量进行精细调节。

标准音色包括： 深沉男声、沉稳女声、随性男声、活泼女声、睿智女声、亲切人声、年轻骑士、优雅男声等更多选择。

语音参数设置：情感（喜悦/悲伤/愤怒/中性等）、语速（0.5–2.0倍速）、音量（0–10级）、音高（-12至12半音）。

头像/克隆语音

用户可以在CellCog上创建带有个人克隆语音的数字分身。当数字分身拥有克隆语音时，CellCog会通过MiniMax服务商生成与该用户音色相似的语言。

实现原理：

• 用户在cellcog.ai创建数字分身并上传声音样本
• CellCog通过MiniMax Speech 2.8 HD技术克隆用户声纹
• 所有调用该数字分身的音频请求都将使用其克隆语音

示例指令：

"用我的数字分身'露娜'的声线生成语音：'欢迎参加季度汇报，今天我很荣幸能与各位分享卓越成果。'"

这项功能能有力打造风格统一、个性鲜明的定制内容——无论是营销视频、播客开场还是课程讲解，都能以用户本尊声线呈现。

音效生成（SFX）

CellCog可根据文本描述生成独立音效。版权无忧，时长0.1至30秒。

示例指令：

• "生成10秒暴雨敲击金属屋顶并伴随间歇雷鸣的音效"
• "制作5秒踩踏蓬松新雪的清脆脚步声效"
• "生成大型空仓库中的回荡式摔门音效"

音效优化建议：

• 请具体描述材质和环境
• 当确切时长很重要时，请指定持续时间
• 对于超过30秒的环境音效，生成一个短的可循环片段，并使用ffmpeg进行扩展

音乐生成

根据文本描述创作原创音乐。时长从3秒到10分钟。免版税。

能力：

• 任何流派或流派融合
• 器乐和人声轨道（如需人声请指定）
• 复杂的编曲、情绪过渡和能量动态
• 描述您的需求——模型会处理乐理部分

示例提示：

• "创作2分钟平静的Lo-Fi嘻哈背景音乐，带有轻柔的钢琴和柔和的节拍，75 BPM"
• "生成一段15秒的欢快科技播客开场音乐"
• "创作90秒的电影管弦乐——以柔和、鼓舞人心的方式开始，逐渐推向自信的高潮"
• "生成一首3分钟的流行歌曲，关于夏日冒险，带有女声演唱"

如需精确的分段控制（每段的确切时长），请详细描述您的作曲计划——CellCog会处理结构安排。

所有生成的音乐均为免版税——可商业使用，无需署名或支付许可费

多语言支持

所有三个语音提供商均支持40多种语言。请提供目标语言的语音文本：

英语、西班牙语、法语、德语、意大利语、葡萄牙语、中文（普通话/粤语）、日语、韩语、印地语、阿拉伯语、俄语、波兰语、荷兰语、土耳其语等

聊天模式

对所有音频任务使用chat_mode="agent"。音频生成在代理模式下高效执行——无需代理团队

优质音频提示

1. 选择合适的提供商：标准叙述选OpenAI，情感/戏剧性表达选ElevenLabs，克隆声音选MiniMax
2. 提供完整脚本：准确写出应朗读的内容——避免使用"关于我们产品的介绍"这类模糊表述
3. 包含风格指导："自信而温和"、"缓慢而慎重"、"略带兴奋"
4. 对于音乐指定时长、情绪、风格和节奏（如果知道的话，请注明BPM）
5. 发音指导: 对于名称或专业术语，添加提示：“CellCog（发音为 SELL-kog）”
6. 对于ElevenLabs情感标签: 请谨慎使用——每段1-2个。标签会影响其后所有文本，直到出现新标签为止。