К основному содержанию
скилл CX Codex

voice-audio-engineer — скилл для Claude Code: синтез и обработка

Скилл для работы с речью через ElevenLabs: озвучка текста, клонирование голоса, подкасты, транскрипция и голосовые интерфейсы.

Установить в Claude Code · Через Skills CLI (Vercel) Все способы и платформы ↓
npx skills add curiositech/some_claude_skills --skill voice-audio-engineer -a claude-code
Открыть на GitHub

Что делает voice-audio-engineer

Скилл подключает агента к инструментам ElevenLabs: text_to_speech, speech_to_speech, voice_clone, search_voices, speech_to_text, isolate_audio и create_agent. Через них агент генерирует озвучку, меняет голос на записи, делает мгновенный клон по образцу, ищет подходящий голос в библиотеке, расшифровывает аудио с разделением по спикерам и вычищает шум.

Внутри — практика по обработке вокала. Скилл держит в голове стандарты громкости: для подкастов советует целиться в -16 LUFS, для стриминга — в -14, а по true peak не выходить за -1 dBTP. Де-эссинг ставится в диапазон 5–8 кГц до компрессии, потому что компрессия поднимает шипящие. Для диалогов предлагает соотношение 3:1–4:1 с медленной атакой 10–20 мс, чтобы не съесть транзиенты. Хай-пасс на 80–100 Гц убирает гул и взрывные.

Для клонирования нужен чистый материал: 1–3 минуты речи без фона и реверберации, один спикер, разнообразные фразы. Грязную запись с телефона скилл советует сначала прогнать через isolate_audio, иначе клон выучит шум. Модель eleven_multilingual_v2 даёт лучшее качество, eleven_flash_v2_5 — минимальную задержку для голосовых интерфейсов. Скилл не берётся за пространственное аудио, музыку, игровые middleware и генерацию звуковых эффектов — для этого в наборе есть sound-engineer.

Какие задачи решает

  • озвучить текст выбранным голосом через ElevenLabs
  • сделать клон голоса по короткому образцу записи
  • собрать подкаст с нормализацией громкости по LUFS
  • убрать шипящие и гул из записанной речи
  • расшифровать аудио с разделением реплик по спикерам

Примеры запросов агенту

  • Сгенерируй озвучку этого текста голосом из библиотеки ElevenLabs
  • Почисти запись через isolate_audio и сделай клон голоса
  • Сведи диалог для подкаста и приведи громкость к -16 LUFS

Как установить voice-audio-engineer

1Через Skills CLI (Vercel)

npx skills add curiositech/some_claude_skills --skill voice-audio-engineer -a claude-code

2Вручную: положить файлы

~/.claude/skills/voice-audio-engineer/SKILL.md

Папка скилла целиком; для одного проекта — .claude/skills/voice-audio-engineer/

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

Из того же набора20

color-theory-palette-harmony-expert Скилл для подбора цветовых палитр и последовательностей фото: перцептивные пространства LAB и OKLCH, расстояние землекопа, чередование тёплых и холодных тонов. CX Codex +1 430установок ai-video-production-master Скилл ведёт пайплайн от текста сценария до готового видео на Apple Silicon Mac: стоковые клипы, генерация T2V и I2V, облачные GPU. Пригодится, когда нужен ролик, а не отдельный кадр. CX Codex +1 398установок indie-monetization-strategist Скилл помогает инди-разработчикам выбирать модели монетизации для пет-проектов, настраивать тарифы SaaS и запускать спонсорство. Пригодится перед релизом продукта. CX Codex +1 387установок adhd-daily-planner Скилл для планирования дня с поправкой на СДВГ: реалистичные оценки времени, буферы между задачами и система «3 вещей». CX Codex +1 378установок sound-engineer Помогает агенту проектировать пространственный звук, процедурные эффекты и звук интерфейса в играх и приложениях. CX Codex +1 348установок photo-content-recognition-curation-expert Скилл для распознавания содержимого фотографий: кластеризация лиц, поиск дублей, отбор кадров из серии и отсев скриншотов. Пригодится, когда надо разобрать большую библиотеку снимков. CX Codex +1 330установок admin-dashboard Помогает расширять админ-панель, портал разработчика и консоль операций: новые вкладки, метрики, мониторинг, управление пользователями. CX Codex +1 323установок design-archivist Собирает визуальную базу из 500–1000 реальных примеров: палитры, шрифты, сетки, интеракции. Нужен, когда решаете, как выглядеть на фоне конкурентов. CX Codex +1 321установок

Похожие

voice-agents sickn33 Скилл для ИИ-кодинга, который ведёт агента через сборку голосового ассистента: распознавание речи, ответ модели, синтез и борьба за задержку. CX Codex +1 890установок elevenlabs sanjay3290 Превращает документы и текст в аудио через ElevenLabs: одиночная озвучка или диалог двух ведущих. CX Codex +1 351установок venice-audio-speech nexu-io Скилл подключает модели синтеза речи Venice.ai с выбором голосов и форматов. Пригодится для озвучки документов, создания закадра к видео или голоса агента. CX Codex +1 2 700установок threejs-audio-generator majidmanzarpour Скилл генерирует через ElevenLabs звуки, музыку и озвучку для игр на Three.js и встраивает их в проект через Web Audio. CX Codex +1 2 900установок sag openclaw Скилл, который озвучивает текст через ElevenLabs прямо из терминала. Пригодится, когда агенту нужен голосовой ответ или озвучка файла. CX Codex +1 5 200установок characteristic-voice NoizAI Придаёт синтезированной речи эмоции, паузы и разговорную интонацию. Нужен для голосовых сообщений с заданным настроением или референсом голоса. CX Codex +1 2 800установок

Рядом в теме «ИИ и ML»

Всё по теме «ИИ и ML» →

Вопросы о voice-audio-engineer

Как установить voice-audio-engineer в Claude?

Выполните npx skills add curiositech/some_claude_skills --skill voice-audio-engineer -a claude-code. Скилл встанет в ~/.claude/skills/voice-audio-engineer/SKILL.md.

Что делает voice-audio-engineer?

Даёт агенту инструменты ElevenLabs для синтеза речи, клонирования голоса, транскрипции и очистки аудио, плюс правила обработки вокала: LUFS, де-эссинг, компрессия диалогов.

Чем voice-audio-engineer отличается от sound-engineer?

Этот скилл работает с голосом и речью. Пространственное аудио, игровые middleware и звуковые эффекты отданы sound-engineer.

Исходный текст

SKILL.md · MIT
---
name: voice-audio-engineer
description: Expert in voice synthesis, TTS, voice cloning, podcast production, speech processing, and voice UI design via ElevenLabs integration. Specializes in vocal clarity, loudness standards (LUFS),
  de-essing, dialogue mixing, and voice transformation. Activate on 'TTS', 'text-to-speech', 'voice clone', 'voice synthesis', 'ElevenLabs', 'podcast', 'voice recording', 'speech-to-speech', 'voice UI',
  'audiobook', 'dialogue'. NOT for spatial audio (use sound-engineer), music production (use DAW tools), game audio middleware (use sound-engineer), sound effects generation (use sound-engineer with ElevenLabs
  SFX), or live concert audio.
allowed-tools: Read,Write,Edit,Bash,mcp__firecrawl__firecrawl_search,WebFetch,mcp__ElevenLabs__text_to_speech,mcp__ElevenLabs__speech_to_speech,mcp__ElevenLabs__voice_clone,mcp__ElevenLabs__search_voices,mcp__ElevenLabs__speech_to_text,mcp__ElevenLabs__isolate_audio,mcp__ElevenLabs__create_agent
metadata:
  category: Design & Creative
  pairs-with:
  - skill: sound-engineer
    reason: Full audio production pipeline
  - skill: speech-pathology-ai
    reason: Clinical voice applications
  tags:
  - voice
  - tts
  - elevenlabs
  - podcast
  - synthesis
---

# Voice & Audio Engineer: Voice Synthesis, TTS & Speech Processing

Expert in voice synthesis, speech processing, and vocal production using ElevenLabs and professional audio techniques. Specializes in TTS, voice cloning, podcast production, and voice UI design.

## When to Use This Skill

✅ **Use for:**
- Text-to-speech (TTS) generation
- Voice cloning and voice design
- Speech-to-speech voice transformation
- Podcast production and editing
- Audiobook production
- Voice UI/conversational AI audio
- Dialogue mixing and processing
- Loudness normalization (LUFS)
- Voice quality enhancement (de-essing, compression)
- Transcription and speech-to-text

❌ **Do NOT use for:**
- Spatial audio (HRTF, Ambisonics) → **sound-engineer**
- Sound effects generation → **sound-engineer** (ElevenLabs SFX)
- Game audio middleware (Wwise, FMOD) → **sound-engineer**
- Music composition/production → DAW tools
- Live concert/event audio → specialized domain

## MCP Integrations

| MCP Tool | Purpose |
|----------|---------|
| `text_to_speech` | Generate speech from text with voice selection |
| `speech_to_speech` | Transform voice recordings to different voices |
| `voice_clone` | Create instant voice clones from audio samples |
| `search_voices` | Find voices in ElevenLabs library |
| `speech_to_text` | Transcribe audio with speaker diarization |
| `isolate_audio` | Separate voice from background noise |
| `create_agent` | Build conversational AI agents with voice |

## Expert vs Novice Shibboleths

| Topic | Novice | Expert |
|-------|--------|--------|
| **TTS quality** | "Any voice works" | Matches voice to brand; considers emotion, pace, style |
| **Voice cloning** | "Upload any audio" | Knows 30s-3min of clean, varied speech needed; single speaker |
| **Loudness** | "Make it loud" | Targets -16 to -19 LUFS for podcasts; -14 for streaming |
| **De-essing** | "Doesn't matter" | Knows sibilance lives at 5-8kHz; frequency-selective compression |
| **Compression** | "Squash it" | Uses 3:1-4:1 for dialogue; slow attack (10-20ms) to preserve transients |
| **High-pass** | "Never use it" | Always HPF at 80-100Hz for voice; removes rumble, plosives |
| **True peak** | "Peak is peak" | Knows intersample peaks exceed 0dBFS; targets -1 dBTP |
| **ElevenLabs models** | "Use default" | `eleven_multilingual_v2` for quality; `eleven_flash_v2_5` for speed |

## Common Anti-Patterns

### Anti-Pattern: Uploading Noisy Audio for Voice Cloning
**What it looks like**: Voice clone from phone recording with background noise, echo
**Why it's wrong**: Clone learns the noise; output has artifacts
**What to do instead**: Use `isolate_audio` first; record in quiet space; provide 1-3 min of varied speech

### Anti-Pattern: Ignoring Loudness Standards
**What it looks like**: Podcast at -6 LUFS, then normalized by platform → crushed dynamics
**Why it's wrong**: Each platform normalizes differently; too loud = distortion, too quiet = inaudible
**What to do instead**: Master to -16 LUFS for podcasts; -14 LUFS for streaming; always check true peak < -1 dBTP

### Anti-Pattern: TTS Without Voice Matching
**What it looks like**: Using default robotic voice for premium product
**Why it's wrong**: Voice IS brand; wrong voice = wrong emotional connection
**What to do instead**: `search_voices` to find matching tone; consider custom clone for brand consistency

### Anti-Pattern: No De-essing on Processed Voice
**What it looks like**: "SSSSibilant" speech after compression and EQ boost
**Why it's wrong**: Compression brings up sibilance; EQ boost at 3-5kHz makes it worse
**What to do instead**: De-ess at 5-8kHz before compression; use frequency-selective compression

### Anti-Pattern: Single Take, No Editing
**What it looks like**: Podcast with 20 "ums", breath sounds, long pauses
**Why it's wrong**: Listeners fatigue; unprofessional; reduces engagement
**What to do instead**: Edit out filler words; gate or manually cut breaths; tighten pacing

## Evolution Timeline

### Pre-2020: Robotic TTS
- Concatenative synthesis (spliced recordings)
- Obvious robotic quality
- Limited voice options

### 2020-2022: Neural TTS Emerges
- Tacotron, WaveNet improve naturalness
- Still detectable as synthetic
- Voice cloning requires hours of data

### 2023-2024: AI Voice Revolution
- ElevenLabs instant voice cloning (30 seconds)
- Near-human quality in TTS
- Real-time voice transformation
- Voice agents for customer service

### 2025+: Current Best Practices
- Emotional TTS (control tone, pace, emotion)
- Cross-lingual voice cloning
- Real-time voice transformation in apps
- Personalized voice agents
- Voice authentication integration

## Core Concepts

### ElevenLabs Voice Selection

**Model comparison:**
| Model | Quality | Latency | Languages | Use Case |
|-------|---------|---------|-----------|----------|
| `eleven_multilingual_v2` | Best | Higher | 29 | Production, quality-critical |
| `eleven_flash_v2_5` | Good | Lowest | 32 | Real-time, voice UI |
| `eleven_turbo_v2_5` | Better | Low | 32 | Balanced |

**Voice parameters:**
```python
# Stability: 0-1 (lower = more expressive, higher = more consistent)
# Similarity boost: 0-1 (higher = closer to original voice)
# Style: 0-1 (higher = more exaggerated style)

# For natural speech:
stability = 0.5       # Balanced expression
similarity = 0.75     # Close to voice but natural
style = 0.0           # Neutral (increase for dramatic)
```

### Voice Cloning Best Practices

**Audio requirements:**
- Duration: 1-3 minutes (more = better, diminishing returns after 3min)
- Quality: Clean, no background noise, no reverb
- Content: Varied speech (questions, statements, emotions)
- Format: WAV/MP3, 44.1kHz or higher

**Cloning workflow:**
1. `isolate_audio` to clean source material
2. `voice_clone` with cleaned audio
3. Test with varied prompts
4. Adjust stability/similarity for output quality

### Voice Processing Chain

**Standard voice chain (order matters!):**
```
[Raw Recording]
    ↓
[High-Pass Filter @ 80Hz]  ← Remove rumble, plosives
    ↓
[De-esser @ 5-8kHz]        ← Before compression!
    ↓
[Compressor 3:1, 10ms/100ms] ← Smooth dynamics
    ↓
[EQ: +2dB @ 3kHz presence] ← Clarity boost
    ↓
[Limiter -1 dBTP]          ← Prevent clipping
    ↓
[Loudness Norm -16 LUFS]   ← Target loudness
```

### Loudness Standards

| Platform/Format | Target LUFS | True Peak |
|-----------------|-------------|-----------|
| Podcast | -16 to -19 | -1 dBTP |
| Audiobook (ACX) | -18 to -23 RMS | -3 dBFS |
| YouTube | -14 | -1 dBTP |
| Spotify/Apple Music | -14 | -1 dBTP |
| Broadcast (EBU R128) | -23 ±1 | -1 dBTP |

**Measurement:**
- LUFS = Loudness Units Full Scale (integrated)
- True Peak = Maximum level including intersample peaks
- Always measure with K-weighting (ITU-R BS.1770)

### Conversational AI Agents

**ElevenLabs agent configuration:**
```python
create_agent(
    name="Support Agent",
    first_message="Hi, how can I help you today?",
    system_prompt="You are a helpful customer support agent...",
    voice_id="your_voice_id",
    language="en",
    llm="gemini-2.0-flash-001",  # Fast for conversation
    temperature=0.5,
    asr_quality="high",          # Speech recognition quality
    turn_timeout=7,              # Seconds before agent responds
    max_duration_seconds=300     # 5 minute call limit
)
```

**Voice UI considerations:**
- Use fast model (`eleven_flash_v2_5`) for real-time
- Keep responses concise (&lt; 30 seconds)
- Add pauses for natural conversation flow
- Handle interruptions gracefully

## Quick Reference

### Voice Selection Decision Tree
- **Brand/professional content?** → Custom clone or curated voice
- **Real-time/interactive?** → `eleven_flash_v2_5` model
- **Quality-critical?** → `eleven_multilingual_v2` model
- **Multiple languages?** → Check language support per voice

### Processing Decision Tree
- **Voice sounds muddy?** → HPF at 80Hz, boost 3kHz
- **Sibilance harsh?** → De-ess at 5-8kHz
- **Inconsistent volume?** → Compress 3:1, then limit
- **Too quiet?** → Normalize to target LUFS
- **Background noise?** → Use `isolate_audio` first

### Common Settings
```
De-esser: 5-8kHz, -6dB reduction, Q=2
Compressor: 3:1 ratio, -20dB threshold, 10ms attack, 100ms release
EQ presence: +2-3dB shelf at 3kHz
HPF: 80-100Hz, 12dB/oct
Limiter: -1 dBTP ceiling
```

## Working With Speech Disfluencies

### Cluttering vs Stuttering

| Type | Characteristics | ASR Impact |
|------|-----------------|------------|
| **Stuttering** | Repetitions ("I-I-I"), prolongations ("wwwant"), blocks (silent pauses) | Word boundaries confused; repetitions misrecognized |
| **Cluttering** | Irregular rate, collapsed syllables, filler overload, tangential speech | Words merged; rate changes confuse timing |

### ASR Challenges with Disfluent Speech

Most ASR models trained on fluent speech. Disfluencies cause:
- Word boundary detection errors
- Repetitions transcribed literally ("I I I want" vs "I want")
- Collapsed syllables missed entirely
- Timing models confused by irregular pace

### Solutions & Workarounds

**1. Model selection (best to worst for disfluencies):**
- **Whisper large-v3** - Most robust to disfluencies
- **ElevenLabs speech_to_text** - Good with varied speech
- **Google Speech-to-Text** - Decent with enhanced models
- **Fast/lightweight models** - Usually worst

**2. Pre-processing:**
```python
# Normalize speech rate before ASR
# Use librosa to stretch irregular segments toward target rate
import librosa
y, sr = librosa.load("disfluent.wav")
y_stretched = librosa.effects.time_stretch(y, rate=0.9)  # Slow down
```

**3. Post-processing:**
- Remove duplicate words: "I I I want" → "I want"
- Filter common fillers: "um", "uh", "like", "you know"
- Use LLM to clean transcripts while preserving meaning

**4. Fine-tuning Whisper (advanced):**
```python
# Fine-tune on disfluent speech dataset
# Datasets: FluencyBank, UCLASS, SEP-28k (stuttering)
from transformers import WhisperForConditionalGeneration, WhisperProcessor

model = WhisperForConditionalGeneration.from_pretrained("openai/whisper-large-v3")
# Fine-tune on your speech samples with corrected transcripts
# Training loop with disfluent audio → fluent transcript pairs
```

**5. ElevenLabs voice cloning approach:**
- Clone your voice from fluent segments
- Use TTS for fluent output with your voice
- Great for pre-recorded content, not live

### Accessibility Considerations

- Always provide manual transcript correction option
- Consider hybrid: ASR + human review
- For voice UI: longer timeout, confirmation prompts
- Test with actual users from target population

## Performance Targets

| Operation | Typical Time |
|-----------|--------------|
| TTS (100 words) | 2-5 seconds |
| Voice clone creation | 10-30 seconds |
| Speech-to-speech | 3-8 seconds |
| Transcription (1 min audio) | 5-15 seconds |
| Audio isolation | 5-20 seconds |

## Integrates With

- **sound-engineer** - For spatial audio, game audio, procedural SFX
- **native-app-designer** - Voice UI implementation in apps
- **vr-avatar-engineer** - Avatar voice integration

---

**For detailed implementations**: See `/references/implementations.md`

**Remember**: Voice is intimate—it speaks directly to the listener's brain. Match voice to brand, process for clarity not loudness, and always respect the platform's loudness standards. With ElevenLabs, you have instant access to professional voice synthesis; use it thoughtfully.

© curiositech · MIT · curiositech/some_claude_skills

Смотрите также

Спонсоры проекта

Компании, которые помогают держать аналитику открытой