音频生成工具（专业版）

概述

音频生成工具专业版是全功能音频生成平台，覆盖文本转语音、语音克隆、音乐生成、音效制作和多角色对话共 15+ 模型。通过管道链接（Pipe Chaining）可将多个生成步骤串联为自动化工作流，实现从文本到完整音频作品的一站式制作。

本版本与免费版完全兼容——免费版的 API Key 配置和基础 TTS 功能可直接使用。专业版新增语音克隆、音乐生成、多角色对话、声音库搜索和管道链接等高级能力。

核心能力

模型覆盖对比

输入: 用户提供模型覆盖对比所需的指令和必要参数。 处理: 按照skill规范执行模型覆盖对比操作,遵循单一意图原则。 输出: 返回模型覆盖对比的执行结果,包含操作状态和输出数据。

核心能力

语音克隆:
  - ElevenLabs IVC（即时语音克隆）
  - Qwen3-TTS 语音克隆（阿里百炼）
  - Kling 自定义音色克隆
  - Vidu 真人声音克隆

音乐生成:
  - Suno V5.5（灵感模式/自定义模式）
  - ElevenLabs Music（10-300秒原创音乐）

多角色对话:
  - ElevenLabs Dialogue（最多10角色）
  - 支持音频标签: [giggling] [whispers] 等
  - 一键渲染整段对话

音效生成:
  - ElevenLabs SFX（1-22秒音效）
  - Keling SFX（文本转音效 + 视频匹配）

声音库搜索:
  - ElevenLabs Search（关键词/来源/分类）
  - 返回可试听的预览音频

管道链接:
  - 步骤间自动传递输出
  - 支持管道引用: -, @N, @N.path, @*, @stdin

输入: 用户提供核心能力所需的指令和必要参数。 处理: 按照skill规范执行核心能力操作,遵循单一意图原则。 输出: 返回核心能力的执行结果,包含操作状态和输出数据。

• 执行此能力时使用input_params参数,支持创建/查询/导出操作

核心功能执行

用input_params参数进行配置。

输入: 用户提供核心功能执行所需的指令和必要参数。 处理: 按照skill规范执行核心功能执行操作,遵循单一意图原则。 输出: 返回核心功能执行的执行结果,包含操作状态和输出数据。

• 执行此能力时使用input_params参数,支持创建/查询/导出操作 能力覆盖范围：本skill的核心能力覆盖以下场景关键词：全功能音频生成引、多角色对话与管道、链接批量处理、音频生成工具专业、面向专业内容团队、的全功能音频生成、音频模型全覆盖、多角色对话一次性、个角色、原创音乐生成等。这些关键词对应description中声明的使用场景,均已在上述能力点中提供对应的操作支持。

使用场景

场景一：播客全流程制作

从文案到成品音频的完整播客制作工作流。

# 步骤1: 克隆主持人声音（一次性操作）
dlazy elevenlabs-voice-clone 
  --audio-file "./samples/host-voice-sample.wav" 
  --name "host-voice"

# 步骤2: 使用克隆声音生成主持人台词
dlazy elevenlabs-tts 
  --text "欢迎收听本期播客，今天我们聊聊AI音频技术的最新进展。" 
  --voice "host-voice" 
  --stability 0.7 
  --similarity 0.8

# 步骤3: 生成背景音乐
dlazy suno-music 
  --mode "custom" 
  --style "lo-fi chill ambient" 
  --title "Podcast Intro" 
  --instrumental true 
  --duration 30

# 步骤4: 生成过渡音效
dlazy elevenlabs-sfx 
  --prompt "soft whoosh transition sound, gentle fade" 
  --duration 3

场景二：多角色广播剧

一次性渲染多角色对话场景。

# 多角色对话生成
dlazy elevenlabs-dialogue 
  --dialogue '[
    {"voice": "storyteller", "text": "夜深了，城市的灯火渐渐熄灭。"},
    {"voice": "detective", "text": "这案子不简单，[pauses] 凶手一定还在现场。"},
    {"voice": "assistant", "text": "[whispers] 长官，窗外好像有人影！"},
    {"voice": "detective", "text": "[urgently] 快，跟上去！"}
  ]' 
  --output "scene-01.wav"

场景三：管道链接自动化工作流

将多个生成步骤串联为自动化流水线。

# 示例
dlazy seedream-4.5 --prompt "lighthouse at dawn" 
  | dlazy keling-tts --text "Welcome to the coast." --image @0.url

# 管道链接示例2: 批量生成多张图片 → 超分辨率
dlazy seedream-4.5 --prompt "city skyline" --n 4 
  | dlazy superres --images @*

# 管道链接示例3: 搜索声音 → 用选中声音生成TTS
dlazy elevenlabs-search 
  --keyword "warm female narrator" 
  --category "audiobook" 
  | dlazy elevenlabs-tts --text "第一章 初次相遇" --voice @0.voice_id

管道引用速查

不适用场景

以下场景音频生成工具-专业版不适合处理：

• 版权受保护的媒体内容处理
• 实时直播推流
• 专业影视后期

触发条件

需要视频处理、音频编辑、媒体转换、配音生成时使用。不适用于非本工具能力范围的需求。

快速开始

依赖详情

# 全局安装 CLI
npm install -g @dlazy/cli@latest

# 认证
dlazy auth set YOUR_API_KEY

第二步：声音库搜索与选择

# 搜索适合的有声书音色
dlazy elevenlabs-search 
  --keyword "calm male storyteller" 
  --source "professional" 
  --category "audiobook"

# 预览返回的音色，选择 voice_id

第三步：克隆自定义声音

# 上传干净的声音样本进行克隆
dlazy elevenlabs-voice-clone 
  --audio-file "./voice-samples/clean-sample.wav" 
  --name "my-custom-voice"

# 使用克隆声音生成TTS
dlazy elevenlabs-tts 
  --text "使用我克隆的声音朗读这段文字" 
  --voice "my-custom-voice"

命令参数说明

• -TTS: 命令参数,用于指定操作选项

配置示例

ElevenLabs TTS 高级参数

dlazy elevenlabs-tts 
  --text "朗读文本" 
  --voice "voice_id_or_name" 
  --stability 0.5          # 稳定性: 0-1, 越高越一致
  --similarity 0.75         # 相似度: 0-1, 越高越接近原声
  --style 0.0               # 风格强度: 0-1, 越高越夸张
  --model "eleven_v3"       # 模型版本
  --output "./output.wav"

Suno 音乐生成配置

# 灵感模式（自动生成歌词）
dlazy suno-music 
  --mode "inspiration" 
  --prompt "一首关于夏日海边的轻快民谣" 
  --with-vocals true 
  --style-weight 0.7 
  --weirdness 0.3

# 自定义模式（手动指定歌词）
dlazy suno-music 
  --mode "custom" 
  --style "electronic synthwave" 
  --title "Neon Dreams" 
  --lyrics "Neon lights dance in the rain..." 
  --instrumental false

多角色对话配置

{
  "model": "elevenlabs-dialogue",
  "dialogue": [
    {"voice": "storyteller", "text": "故事开始了。"},
    {"voice": "protagonist", "text": "[excitedly] 终于到了！"},
    {"voice": "companion", "text": "[giggling] 等等，你看那边！"},
    {"voice": "antagonist", "text": "[coldly] 你们来晚了。"}
  ],
  "output": "chapter-01-dialogue.wav",
  "format": "wav"
}

最佳实践

1. 声音样本质量：语音克隆需上传 30 秒以上干净样本，无背景噪音。
2. 对话角色上限：单次对话最多 10 个角色，超过请分段渲染。
3. 管道调试：先用 --dry-run 测试管道链接，确认引用正确。
4. 音乐风格词：Suno 使用具体风格词（如 "lo-fi chill"）比泛泛描述效果好。
5. 批量生成：长内容分段生成后用管道链接自动拼接。

专业版最佳实践:
[ ] 声音样本已清洗（无噪音，> 30秒）
[ ] 对话角色数 ≤ 10
[ ] 管道引用已用 --dry-run 测试
[ ] 音乐风格词具体明确
[ ] 余额充足，支持批量生成
[ ] API Key 已安全配置
[ ] 输出路径已规划

常见问题

Q: 语音克隆需要什么样的声音样本？

A: 需要 30 秒以上的干净语音样本，无背景音乐和噪音。WAV 格式效果最佳。样本越清晰，克隆质量越高。

Q: 管道链接中 stdin 为空怎么办？

A: 上游命令未输出 JSON 信封时，CLI 会返回 code: "no_stdin" 错误。检查上游命令是否执行成功。

Q: 多角色对话的角色数上限是多少？

A: ElevenLabs Dialogue 单次最多支持 10 个不同角色。超过 10 个角色请分多次渲染后拼接。

Q: Suno 音乐生成支持多长？

A: ElevenLabs Music 支持 10-300 秒原创音乐。Suno V5.5 支持完整歌曲结构（主歌+副歌+桥段）。

Q: 如何从免费版升级？

A: API Key 和 CLI 配置无需变更，直接使用专业版的全部模型即可。免费版的 TTS 功能在专业版中完全保留。

Q: 生成的音频 URL 有效期多久？

A: dlazy 文件服务托管的 URL 有一定有效期。建议生成后通过 --output 参数下载到本地保存。

依赖说明

运行环境

• Agent平台: 支持SKILL.md的任意AI Agent（Claude Code / Cursor / Codex / Gemini CLI等）
• 操作系统: Windows / macOS / Linux
• Node.js: 16+（dlazy CLI 运行需要）

第三方依赖

API Key 配置

• 必需: dlazy API Key（与免费版共用）
• 获取方式: 访问 dlazy.com/dashboard/organization/api-key
• 配置方式: dlazy auth set YOUR_API_KEY 或环境变量 DLAZY_API_KEY
• 安全说明: 配置文件权限限制为当前用户；Key 可随时轮换或撤销
• 余额说明: 专业版模型消耗较高，建议定期检查余额

可用性分类

• 分类: MD+EXEC+API（Markdown指令 + 命令行 + 外部API调用）
• 说明: 企业级AI Skill，支持全模型音频生成、管道链接与批量处理
• 适用规模: 专业内容团队，批量音频生产
• 兼容性: 与免费版完全兼容，API Key 和配置无缝共用

错误处理

已知限制

• 需LLM支持,无LLM环境不可用
• 复杂业务场景建议结合人工经验判断
• 执行效率受模型能力与网络环境影响

示例

基本用法

输入：用户提供操作指令和必要参数

输出：返回执行结果,包含操作状态和输出数据

用户: 执行核心功能
Skill: 正在执行核心功能...
Skill: 执行完成,结果如下: 操作成功