К основному содержанию
скилл CX Codex

videoagent-audio-studio — скилл для Claude Code: как установить

Маршрутизирует запросы на генерацию речи, музыки, шумовых эффектов и клонирование голоса к API ElevenLabs и fal.ai. Позволяет получать готовые аудиофайлы прямо в диалоге с ассистентом.

Установить в Claude Code · Через Skills CLI (Vercel) Все способы и платформы ↓
npx skills add pexoai/pexo-skills --skill videoagent-audio-studio -a claude-code
Открыть на GitHub

Что делает videoagent-audio-studio

Скилл принимает текстовые команды и автоматически выбирает нужную модель генерации. Озвучка текста идёт через elevenlabs-tts-v3 или быструю elevenlabs-tts-turbo. Для фоновой музыки используется cassetteai-music от fal.ai, а шумовые эффекты и клонирование голоса по аудиосемплу выполняются моделями ElevenLabs. В ответ возвращается прямая ссылка на аудиофайл.

Под капотом работает MCP-сервер ElevenLabs на порту 8124, который запускается скриптом start_server.sh. Для базовых задач озвучки и шумов обязателен ключ ELEVENLABS_API_KEY в конфигурации ~/.openclaw/openclaw.json. Если вам нужна генерация музыки через fal.ai, придётся дополнительно прописать FAL_KEY.

Без настроенного ключа ElevenLabs запустить синтез речи не получится. Для обхода сетевых ограничений авторы предлагают развернуть собственный прокси из папки proxy/ на Vercel и задать переменную AUDIOMIND_PROXY_URL.

Какие задачи решает

  • озвучить текст с выбором голоса через ElevenLabs
  • сгенерировать фоновую музыку нужной длительности
  • создать короткий звуковой эффект по текстовому описанию
  • клонировать голос по предоставленному аудиофайлу

Примеры запросов агенту

  • Озвучь этот текст нейтральным голосом: Приветствуем на запуске нашего проекта
  • Сделай 60 секунд спокойной фоновой музыки для подкаста
  • Сгенерируй звук открывающейся футуристической двери со свистом гидравлики

Как установить videoagent-audio-studio

1Через Skills CLI (Vercel)

npx skills add pexoai/pexo-skills --skill videoagent-audio-studio -a claude-code

2Вручную: положить файлы

~/.claude/skills/videoagent-audio-studio/SKILL.md

Папка скилла целиком; для одного проекта — .claude/skills/videoagent-audio-studio/

По шагам, с командами для каждой платформы: Как установить скилл в Claude Code: пять способов

Вопросы о videoagent-audio-studio

Как установить videoagent-audio-studio в Claude Code?

Выполните команду npx skills add pexoai/pexo-skills --skill videoagent-audio-studio -a claude-code. Файл навыка сохранится по пути ~/.claude/skills/videoagent-audio-studio/SKILL.md.

Что делает videoagent-audio-studio?

Скилл маршрутизирует команды к внешним сервисам: озвучку и эффекты направляет в ElevenLabs, а генерацию треков передаёт в cassetteai-music на fal.ai.

Какие ключи API нужны для работы скилла?

Обязательно требуется ELEVENLABS_API_KEY для синтеза речи, клонирования и шумов. Дополнительный ключ FAL_KEY нужен только для генерации музыки через fal.ai.

Исходный текст

SKILL.md · MIT
---
name: videoagent-audio-studio
version: 3.0.0
author: "wells"
emoji: "🎙️"
tags:
  - video
  - audio
  - tts
  - music
  - sfx
  - voice-clone
  - elevenlabs
  - fal
description: >
  Tired of juggling multiple audio APIs? This skill gives you one-command access to TTS, music generation, sound effects, and voice cloning. Use when you want to generate any audio without managing multiple API keys.
homepage: https://github.com/pexoai/audiomind-skill
metadata:
  openclaw:
    emoji: "🎙️"
    primaryEnv: ELEVENLABS_API_KEY
    requires:
      env:
        - ELEVENLABS_API_KEY
    install:
      - id: elevenlabs-mcp
        kind: npm
        package: "@elevenlabs/mcp"
        label: "Install ElevenLabs MCP server"
---

# 🎙️ VideoAgent Audio Studio

**Use when:** User asks to generate speech, narrate text, create a voice-over, compose music, or produce a sound effect.

VideoAgent Audio Studio is a smart audio dispatcher. It analyzes your request and routes it to the best available model — ElevenLabs for speech and music, fal.ai for fast SFX — and returns a ready-to-use audio URL.

---

## Quick Reference

| Request Type | Best Model | Latency |
|---|---|---|
| Narrate text / Voice-over | `elevenlabs-tts-v3` | ~3s |
| Low-latency TTS (real-time) | `elevenlabs-tts-turbo` | <1s |
| Background music | `cassetteai-music` | ~15s |
| Sound effect | `elevenlabs-sfx` | ~5s |
| Clone a voice from audio | `elevenlabs-voice-clone` | ~10s |

---

## How to Use

### 1. Start the AudioMind server (once per session)

```bash
bash {baseDir}/tools/start_server.sh
```

This starts the ElevenLabs MCP server on port 8124. The skill uses it for all audio generation.

### 2. Route the request

Analyze the user's request and call the appropriate tool via the MCP server:

**Text-to-Speech (TTS)**

When user asks to "narrate", "read aloud", "say", or "create a voice-over":

```
Use MCP tool: text_to_speech
  text: "<the text to narrate>"
  voice_id: "JBFqnCBsd6RMkjVDRZzb"   # Default: "George" (professional, neutral)
  model_id: "eleven_multilingual_v2"   # Use "eleven_turbo_v2_5" for low latency
```

**Music Generation**

When user asks to "compose", "create background music", or "make a soundtrack":

```
Use MCP tool: text_to_sound_effects  (via cassetteai-music on fal.ai)
  prompt: "<music description, e.g. 'upbeat lo-fi hip hop, 90 seconds'>"
  duration_seconds: <duration>
```

**Sound Effect (SFX)**

When user asks for a specific sound (e.g., "a door creaking", "rain on a window"):

```
Use MCP tool: text_to_sound_effects
  text: "<sound description>"
  duration_seconds: <1-22>
```

**Voice Cloning**

When user provides an audio sample and wants to clone the voice:

```
Use MCP tool: voice_add
  name: "<voice name>"
  files: ["<audio_file_url>"]
```

---

## Example Conversations

**User:** "Voice this text for me: Welcome to our product launch"

```
→ Route to: text_to_speech
  text: "Welcome to our product launch"
  voice_id: "JBFqnCBsd6RMkjVDRZzb"
  model_id: "eleven_multilingual_v2"
```

> 🎙️ Voiceover done! [Listen here](audio_url)

---

**User:** "Generate 60 seconds of relaxing background music for a podcast"

```
→ Route to: cassetteai-music (fal.ai)
  prompt: "relaxing lo-fi background music for a podcast, gentle piano and soft beats, 60 seconds"
  duration_seconds: 60
```

> 🎵 Background music ready! [Listen here](audio_url)

---

**User:** "Generate a sci-fi style door opening sound effect"

```
→ Route to: text_to_sound_effects
  text: "a futuristic sci-fi door sliding open with a hydraulic hiss"
  duration_seconds: 3
```

---

## Setup

### Required

Set `ELEVENLABS_API_KEY` in `~/.openclaw/openclaw.json`:

```json
{
  "skills": {
    "entries": {
      "videoagent-audio-studio": {
        "enabled": true,
        "env": {
          "ELEVENLABS_API_KEY": "your_elevenlabs_key_here"
        }
      }
    }
  }
}
```

Get your key at [elevenlabs.io/app/settings/api-keys](https://elevenlabs.io/app/settings/api-keys).

### Optional (for fal.ai music & SFX models)

```json
"FAL_KEY": "your_fal_key_here"
```

Get your key at [fal.ai/dashboard/keys](https://fal.ai/dashboard/keys).

---

## Self-Hosting the Proxy

The `cli.js` connects to a hosted proxy by default. If you want full control — or need to serve users in regions where `vercel.app` is blocked — you can deploy your own instance from the `proxy/` directory.

### Quick Deploy (Vercel)

```bash
cd proxy
npm install
vercel --prod
```

### Environment Variables

Set these in your Vercel project (Dashboard → Settings → Environment Variables):

| Variable | Required For | Where to Get |
|---|---|---|
| `ELEVENLABS_API_KEY` | TTS, SFX, Voice Clone | [elevenlabs.io/app/settings/api-keys](https://elevenlabs.io/app/settings/api-keys) |
| `FAL_KEY` | Music generation | [fal.ai/dashboard/keys](https://fal.ai/dashboard/keys) |
| `VALID_PRO_KEYS` | (Optional) Restrict access | Comma-separated list of allowed client keys |

### Point cli.js to Your Proxy

```bash
export AUDIOMIND_PROXY_URL="https://your-domain.com/api/audio"
```

Or set it in `~/.openclaw/openclaw.json`:

```json
{
  "skills": {
    "entries": {
      "videoagent-audio-studio": {
        "env": {
          "AUDIOMIND_PROXY_URL": "https://your-domain.com/api/audio"
        }
      }
    }
  }
}
```

### Custom Domain (Recommended)

If your users are in mainland China, bind a custom domain in Vercel Dashboard → Settings → Domains to avoid DNS issues with `vercel.app`.

---

## Model Reference

| Model ID | Type | Provider | Notes |
|---|---|---|---|
| `eleven_multilingual_v2` | TTS | ElevenLabs | Best quality, supports 29 languages |
| `eleven_turbo_v2_5` | TTS | ElevenLabs | Ultra-low latency, ideal for real-time |
| `eleven_monolingual_v1` | TTS | ElevenLabs | English only, fastest |
| `cassetteai-music` | Music | fal.ai | Reliable, fast music generation |
| `elevenlabs-sfx` | SFX | ElevenLabs | High-quality sound effects (up to 22s) |
| `elevenlabs-voice-clone` | Clone | ElevenLabs | Clone any voice from a short audio sample |

---

## Changelog

### v3.0.0
- **Simplified routing table**: Removed unstable/offline models from the main reference. The skill now only surfaces models that reliably work.
- **Clearer use-case triggers**: Added "Use when" section so the agent activates this skill at the right moment.
- **Unified setup**: Single `ELEVENLABS_API_KEY` is all you need to get started. `FAL_KEY` is now optional.
- **Removed polling complexity**: Music generation now uses `cassetteai-music` by default, which completes synchronously.

### v2.1.0
- Added async workflow for long-running music generation tasks.
- Added `cassetteai-music` as a stable alternative for music generation.

### v2.0.0
- Migrated to ElevenLabs MCP server architecture.
- Added voice cloning support.

### v1.0.0
- Initial release with TTS, music, and SFX routing.

© wells · MIT · pexoai/pexo-skills

Похожие скиллы

Всё по теме «ИИ и ML» →
listenhub marswaveai Определяет задачу пользователя и направляет её в нужный специализированный скилл ListenHub. Пригодится при генерации озвучки, музыки, видео или презентаций. CX Codex +1 1 500установок add-audio OpusGameLabs Скилл добавляет в браузерную игру фоновую музыку и звуковые эффекты на Web Audio API. Никаких аудиофайлов и npm-пакетов — всё синтезируется в браузере. CX Codex +1 1 000установок scenario-sonilo scenario-labs Генерирует звуковые эффекты и фоновую музыку через модели Sonilo на платформе Scenario. Помогает озвучить немое видео или свести трек с видеорядом. CX Codex +1 380установок qianwen-audio-tts QianWen-AI Скилл превращает текст в речь моделями Qwen TTS: озвучка, начитки, аудиоверсии статей. Работает через HTTP API и скрипт на Python. CX Codex +1 5 600установок qwencloud-audio-tts QwenCloud Скилл превращает текст в речь моделями Qwen TTS: озвучка, начитки, аудио для приложений. Работает в Claude, Codex, Cursor, Copilot, Gemini CLI и OpenCode. CX Codex +1 1 600установок venice-audio-music nexu-io Ставит задачи на генерацию музыки через API Venice.ai, проверяет статус и забирает готовые треки. Пригодится для фоновых лупов, джинглов и чернового саундтрека. CX Codex +1 2 800установок

Из того же набора7

pexo-agent Скилл создаёт готовые многосценовые видео из текста, изображений, URL, сценариев или аудио. Подходит для рекламных роликов, коротких видео и объясняющих материалов. CX Codex +1 40 400установок videoagent-video-studio Генерирует короткие ролики из текстового описания или изображения. Пригодится, когда нужно быстро сделать клип, анимировать фото или собрать видео по референсу. CX Codex +1 10 500установок videoagent-image-studio Скилл даёт доступ к Midjourney, Flux, Ideogram и ещё пяти моделям через один интерфейс, без необходимости хранить API-ключи. Агент сам выбирает подходящую модель и справляется с асинхронностью Midjourney. CX Codex +1 5 600установок seedance-2.0-prompter Собирает из изображений, видео, аудио и описания структурированный JSON-промпт для Seedance 2.0. Пригодится для сложных запросов на генерацию видео. CX Codex +1 1 300установок videoagent-director Составляет раскадровку по текстовой идее и запускает генерацию кадров, видео и звука без ручного подбора промптов. CX Codex +1 540установок veo-3.2-prompter Собирает из ваших картинок, видео и звука один готовый JSON-промпт для генерации видео в Google Veo 3.2. Пригодится, когда запрос сложный и надо аккуратно разложить его по кадрам. CX Codex +1 510установок

Спонсоры проекта

Компании, которые помогают держать аналитику открытой