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.
npx skills add pexoai/pexo-skills --skill videoagent-audio-studio -a claude-codeЧто 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-code2Вручную: положить файлы
~/.claude/skills/videoagent-audio-studio/SKILL.mdПапка скилла целиком; для одного проекта — .claude/skills/videoagent-audio-studio/
1Через Skills CLI (Vercel)
npx skills add pexoai/pexo-skills --skill videoagent-audio-studio -a codex2Вручную: положить файлы
.agents/skills/videoagent-audio-studio/SKILL.mdДля всех проектов — ~/.agents/skills/
1Через Skills CLI (Vercel)
npx skills add pexoai/pexo-skills --skill videoagent-audio-studio -a cursor2Вручную: положить файлы
.cursor/skills/videoagent-audio-studio/SKILL.mdCursor читает и .agents/skills/, и .claude/skills/
1GitHub CLI
gh skill install pexoai/pexo-skills videoagent-audio-studio2Вручную: положить файлы
.github/skills/videoagent-audio-studio/SKILL.md1Через Skills CLI (Vercel)
npx skills add pexoai/pexo-skills --skill videoagent-audio-studio -a gemini-cli2Командой платформы
gemini skills install https://github.com/pexoai/pexo-skills --path skills/videoagent-audio-studioВручную: положить файлы
.devin/skills/videoagent-audio-studio/SKILL.mdСтарый путь .windsurf/skills/ тоже читается
Через Skills CLI (Vercel)
npx skills add pexoai/pexo-skills --skill videoagent-audio-studio -a opencodeClaude.ai
Упакуйте папку в zip и загрузите в Settings → Capabilities → Skills
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