核心用法
audio-cog 是 CellCog AI 音频服务的 OpenClaw 技能封装，提供一站式语音合成、音乐生成与音效制作能力。用户通过 Python SDK（cellcog 包）发起任务，无需编写复杂音频代码。
关键工作模式：
- OpenClaw：
create_chat()异步创建任务，通过notify_session_key接收完成通知 - 其他 Agent：同步阻塞调用，直接返回结果
三大语音引擎选择策略：
| 场景 | 推荐引擎 | 特点 |
|------|---------|------|
| 标准旁白/解说 | OpenAI | 8 种内置音色，自然语言风格描述，支持口音/语速/情绪指令 |
| 情感演绎/角色配音 | ElevenLabs | 内置情绪标签 `[laughs]` `[whispers]` 等，100+ 预制角色音 |
| 声音克隆/精细控制 | MiniMax | 唯一支持个人 Avatar 克隆，提供语速/音高/音量参数调节 |
扩展能力：
- 音效生成：文本描述转 0.1-30 秒环境音效（雨声、脚步声、机械声等）
- 音乐创作：3 秒至 10 分钟原创音乐，支持风格融合、情绪变化、指定 BPM，商用免版税
- 多语言：40+ 语言支持，直接以目标语言输入文本即可
显著优点
1. 引擎差异化设计：三家提供商各有所长，用户可按内容类型精准匹配，避免"一刀切"的音质妥协
2. Avatar 克隆系统：MiniMax Speech 2.8 HD 支持用户上传样本创建专属声纹，适用于品牌 IP、个人播客等需声音一致性的场景
3. 商用友好：生成音乐明确标注 royalty-free，降低内容创作者法律风险
4. 零本地依赖：纯云端 API 调用，无需本地 GPU 或音频工程知识
5. 安全极简：Skill 本身无可执行代码，仅作文档指引，执行风险隔离于 CellCog 官方服务
潜在局限
- 外部服务绑定：完全依赖 CellCog 平台可用性与定价策略，无法离线运行或迁移至其他提供商
- API 成本累积：语音克隆、长音频生成按量计费，高频使用需预算规划
- 中文优化待验证：虽支持中文，但 OpenAI/ElevenLabs 对中文韵律的自然度可能逊于英文
- 音乐精细度边界：复杂编曲的"段落精确控制"依赖提示词工程，相比专业 DAW 仍有可控性差距
适合人群
- 播客/视频创作者需快速生成配音与主题音乐
- 企业营销团队制作多语言产品解说与品牌音频
- 游戏开发者批量生产 NPC 对话与氛围音效
- 个人 IP 打造者建立声音一致的 Avatar 形象
常规风险
1. 数据出境：音频素材与生成内容流经 CellCog 服务器，敏感内容需谨慎评估
2. 克隆声纹滥用：Avatar 功能技术上存在被用于深度伪造的风险，平台需依赖 CellCog 的身份验证机制
3. 版权边界模糊：虽标注免版税，AI 生成音乐在部分司法辖区的版权归属仍存法律不确定性
4. 服务连续性：商业 API 存在调价、限流或 discontinue 可能，关键业务需备选方案