核心用法
audio-cog 是 CellCog 生态系统中的专业 AI 音频生成工具，提供一站式语音与音频解决方案：
| 功能模块 | 核心能力 | 适用场景 |
|---------|---------|---------|
| **文本转语音(TTS)** | 三家提供商(OpenAI/ElevenLabs/MiniMax)，40+语言支持 | 配音、播客、有声书 |
| **语音克隆** | MiniMax 专属，创建个性化数字分身声音 | 品牌IP、内容创作者 |
| **音效生成(SFX)** | 文本描述生成 0.1-30 秒免版税音效 | 视频后期、游戏音频 |
| **音乐生成** | 3秒-10分钟原创音乐，支持人声/纯音乐 | 播客片头、背景音乐 |
快速调用模式：
- OpenClaw（异步）：
chat_mode="agent"+notify_session_key参数，任务完成后回调 - 阻塞模式（Cursor/Claude Code）：直接执行等待结果返回
提供商选择策略：
- OpenAI（默认）：最佳自然语言风格控制，8种内置音色，适合标准旁白
- ElevenLabs：情感标签嵌入（如
[laughs][whispers]），100+预制角色音，适合戏剧化/有声书 - MiniMax：唯一支持语音克隆，17+标准音+精细音调/速度/音量控制
显著优点
1. 多引擎冗余设计：三家顶级提供商互为备份，避免单点服务中断
2. 零门槛语音克隆：用户上传样本即可创建个人数字分身，无需专业录音棚
3. 全链路免版税：生成的音乐、音效均可商用，无授权费用
4. 情感表达精细化：ElevenLabs 支持8种情绪标签直接嵌入文本
5. 跨平台SDK：Darwin/Linux/Windows 全支持，统一API接口
潜在缺点与局限
1. 提供商能力割裂：克隆语音仅限MiniMax，最佳情感表现仅限ElevenLabs，用户需手动选择而非系统自动优化
2. 音效时长上限：单次生成最长30秒，长音频需分段生成后手动拼接
3. 克隆质量依赖样本：未明确说明最低样本数量与质量要求，可能导致克隆效果不稳定
4. 情绪标签滥用风险：ElevenLabs文档提示"每段落1-2个标签"，过度使用可能破坏自然度
5. API密钥依赖：需单独配置CELLCOG_API_KEY，增加部署复杂度
适合人群
- 内容创作者：YouTuber、播客主播、课程讲师，需要高质量配音但无录音设备
- 营销团队：快速生成多语言广告旁白、品牌IP语音一致性维护
- 独立开发者/游戏工作室：低成本获取定制化音效与背景音乐
- 有声书/配音工作室：情感丰富的角色配音，多语言内容本地化
常规风险
| 风险类别 | 具体描述 | 缓解建议 |
|---------|---------|---------|
| **深度伪造滥用** | 语音克隆技术可能被用于伪造他人声音进行诈骗 | 仅克隆授权自有声音，平台需强化身份验证 |
| **版权灰色地带** | 虽声称免版税，但训练数据版权归属未披露 | 商用前咨询法律意见，保留生成记录 |
| **提供商服务稳定性** | 依赖第三方API，存在速率限制或服务中断可能 | 实现降级策略，关键项目备有人工配音方案 |
| **隐私数据泄露** | 语音样本上传至MiniMax进行克隆 | 审查CellCog/MiniMax隐私协议，敏感场景使用本地TTS替代 |