核心功能
ElevenLabs Skill 是一套全面的 AI 音频生成解决方案，封装了 ElevenLabs 领先的多模态语音与音效 API。核心能力涵盖四大板块：
文本转语音（TTS）：支持 Eleven v3、Multilingual v2、Turbo v2.5、Flash v2.5 四种模型。其中 v3 为旗舰模型，独创「音频标签」系统（如 [laughs] [excited] [whispers]），允许在文本中直接嵌入情感指令，实现富有表现力的角色化配音，无需复杂 SSML。
音效与音乐生成：内置 sfx.py 生成短音效（可循环），music.py 创作 30 秒至数分钟的器乐片段，适用于播客片头、视频配乐等场景。
声音管理与克隆：voices.py 管理预设声音库，voiceclone.py 支持从本地音频样本克隆个性化声线，并设有沙盒目录（~/.openclaw/elevenlabs/voiceclone-samples/）进行安全隔离。
配额监控：quota.py 实时追踪字符用量、订阅状态及历史消耗，支持 JSON 输出便于自动化集成。
显著优点
- v3 音频标签：行业内罕见的「自然语言式」情感控制，大幅降低高质量配音门槛
- 格式生态丰富：16 种输出格式覆盖 MP3、Opus、PCM、A-law，从 8kHz 电话音质到 48kHz 无损，适配流媒体、广播、嵌入式全场景
- 多语言原生：Turbo v2.5 针对低延迟对话优化，德语等非英语语种表现优异
- 安全隔离设计：声音克隆强制限定采样目录，防止误操作读取敏感文件
局限与风险
- 商业成本：ElevenLabs 为付费 API，Pro 套餐月字符限额 50 万，大规模内容生产需精确预算
- v3 标签理解边界：复杂情绪组合或长文本可能出现标签冲突，需人工试听验证
- 克隆声线伦理：虽技术层面限制目录读取，但用户仍需自行确保样本版权与使用授权
- 外部依赖：需 Python3、ffmpeg、afplay（macOS），Windows 环境需额外配置
适合人群
播客制作者、独立游戏开发者、有声书制作人、多语言内容团队，以及需要快速原型化音频方案的产品设计师。尤其适合追求「情感表达」而非「机械朗读」的场景。