核心用法
Sound FX 技能通过调用 ElevenLabs 的文本转音效（Text-to-Sound）API，将自然语言描述转换为短音频片段。用户通过简单的文本提示即可生成掌声、罐头笑声、嗖嗖声、环境音等各类音效，无需专业音频制作技能。
主要功能：
- 文本驱动的音效生成：输入如 "short audience applause"、"canned laughter" 等描述性文本
- 灵活的时长控制：支持 0.5–30 秒的自定义时长，或交由系统自动判定
- 格式转换支持：内置 FFmpeg 转换流程，可将 MP3 输出转为 WhatsApp 友好的 .ogg/opus 格式
- 自动化输出处理：成功时打印
MEDIA: <path>标记，便于下游自动附件处理
使用流程：
1. 配置 API 密钥（环境变量或配置文件）
2. 调用 scripts/generate_sfx.sh 脚本，传入文本描述和输出路径
3. 可选执行 FFmpeg 转换以获得移动端兼容格式
显著优点
- 零门槛创作：无需音乐或音频工程背景，纯文本驱动生成
- ElevenLabs 背书：依托 ElevenLabs 业界领先的 AI 音频技术，生成质量有保障
- 即时可用：生成音效可直接用于视频剪辑、播客制作、消息应用等场景
- 移动优化：针对性的 .ogg/opus 转换支持，确保 WhatsApp 等平台兼容性
- 自动化集成：标准化的输出标记便于嵌入自动化工作流
潜在缺点与局限性
- API 依赖：需 ElevenLabs 账户及有效 API 密钥，存在服务可用性和成本考量
- 时长限制：单次生成上限 30 秒，不适合长音频或背景音乐需求
- 输出格式单一：默认仅输出 MP3，其他格式需手动转换
- 提示词敏感性：生成质量高度依赖文本描述的准确性和具体性
- 网络依赖：完全依赖云端 API，离线无法使用
- 版权与授权：需关注 ElevenLabs 服务条款中关于生成内容的商用授权范围
适合人群
- 内容创作者（视频博主、播客制作者）需要快速获取定制化音效
- 开发者构建含音频交互的聊天机器人或消息应用
- 营销团队制作社交媒体短视频的原生音效
- 个人用户为日常通讯添加个性化音频元素
常规风险
- API 密钥泄露：如未妥善保管密钥，可能导致账户被盗用或产生意外费用
- 成本累积：高频调用可能产生显著的 API 调用费用
- 内容合规：生成音效若用于特定场景（如模拟紧急警报），可能涉及法律或平台政策风险
- 版权争议：虽然 ElevenLabs 声称生成内容为原创，但在高度敏感的商用场景中仍建议咨询法律意见