核心用法
audio-cog 是基于 CellCog SDK 的专业级 AI 音频生成工具，采用异步代理模式 (chat_mode="agent") 执行所有任务。用户通过 client.create_chat() 提交音频请求，系统通过 Daemon 通知完成状态，无需轮询。
主要功能模块
1. 文本转语音 (TTS)
- 8 种预设高品质音色（cedar、marin、ballad、coral、echo、sage、shimmer、verse），覆盖男女声线及不同性格特质
- 支持口音定制（美式、英式、澳式、印度口音等）、情感调节（兴奋、严肃、温暖、神秘）、语速控制
- 50+ 语言支持，包括中英日韩、欧洲主要语言及阿拉伯语、印地语等
2. AI 音乐生成
- 时长：15 秒至 5 分钟以上
- 流派：电子、摇滚、古典、爵士、Lo-fi、电影配乐等
- 参数化控制：BPM（60-180+）、情绪色彩、乐器组合
3. 音频输出
- 标准 MP3 格式，支持与 video-cog 联动输出带配乐的视频
显著优点
- 音色专业性：8 种声音经过场景化设计， cedar/marin 适合商业权威感，ballad/sage 擅长叙事，coral 适合高能广告
- 商用零风险：所有生成音乐均为免版税，可自由用于 YouTube 变现、商业广告、应用游戏，无需署名
- 多语言原生：非翻译腔的本地化发音，支持日语、韩语、阿拉伯语等复杂语音系统
- 异步架构：fire-and-forget 模式避免阻塞，适合批量内容生产管线
潜在局限
- 依赖 cellcog SDK：必须先安装并配置基础技能，增加技术门槛
- 音色不可定制：仅 8 种预设声音，无法克隆特定真人声线或创建全新音色
- 长文本分段：未明确说明超长文本（如整本有声书）的自动分段与连续性保障机制
- 网络延迟：异步通知机制依赖 WebSocket/long-polling，离线环境不可用
适合人群
- 内容创作者（YouTuber、播客主播、课程讲师）
- 营销与广告团队（产品视频、IVR 语音导航）
- 独立开发者与游戏工作室（背景音、音效设计）
- 出版与教育机构（有声书、多语言学习材料）
常规风险
- 内容合规：生成语音可能被滥用于深度伪造（deepfake），需遵守平台 AIGC 标识要求
- 版权灰色地带：虽然平台声明音乐免版税，但 AI 训练数据来源不透明，存在潜在法律争议风险
- 输出一致性：音乐生成的"黑箱"特性可能导致同提示多次输出风格差异较大，需预留迭代成本