核心功能
ElevenLabs Skill 是一套完整的 AI 音频生成工具集，基于 ElevenLabs 官方 API 构建，覆盖语音合成、音效设计、音乐生成及声音管理四大场景。
文本转语音（TTS） 支持多代模型：v3 模型可通过 [laughs]、[whispers]、[excited] 等音频标签实现细腻情感表达，适合角色配音与创意内容；Turbo v2.5 针对低延迟实时对话优化；Flash v2.5 则以极速低成本满足批量需求。输出格式涵盖 MP3（32-192kbps）、Opus（推荐 AirPlay 场景）、PCM 及电话级 A-law，共 16 种选项。
音效与音乐生成 支持文本描述生成短音效（SFX）及最长 30 秒的器乐片段，可指定循环属性用于背景音床。
声音克隆（IVC） 提供即时语音复制功能，默认沙箱目录限制在 ~/.openclaw/elevenlabs/voiceclone-samples/，支持降噪处理与多语言元数据标注。
配额管理 实时追踪字符用量、订阅计划状态及按声线的消耗统计，支持 7 天历史回溯。
显著优点
- 情感控制领先：v3 音频标签非 SSML 结构，自然度高，业内情感 TTS 第一梯队
- 模型分层清晰：创作/稳定/实时/经济四档模型匹配不同场景
- 格式覆盖全面：从广播级 192kbps MP3 到电话 8kHz A-law，工程适配性强
- 安全沙箱设计：声音克隆默认受限目录，降低误操作与数据泄露风险
- 配额透明：内置用量监控，避免超额扣费
局限与风险
- API 依赖：完全依赖 ElevenLabs 云服务，需有效订阅与网络连接
- 成本敏感：高质量模型与长文本生成消耗字符配额较快，Pro 计划 50 万字符/月可能不足
- 克隆质量波动：IVC 效果受样本质量与录音环境显著影响，复杂口音还原有限
- 音乐时长限制：单次生成最长 30 秒，完整曲目需分段拼接
- 环境依赖：需本地 Python3、ffmpeg，macOS 可选 afplay
适合人群
- 播客/有声书创作者：快速生成多角色配音与情绪表演
- 游戏/影视预演团队：临时音效、氛围音乐与旁白原型
- 开发者与自动化工作流：程序化音频生成，集成 CI/CD
- 多语言内容生产者：Turbo v2.5 对德语等非英语语种优化良好
常规风险
| 风险类型 | 说明 |
|---------|------|
| API 密钥泄露 | `ELEVENLABS_API_KEY` 需妥善保管，建议配置专用环境变量 |
| 配额超额 | 长文本与音乐生成消耗快，建议生成前执行 `quota.py` 检查 |
| 克隆伦理争议 | 他人声音克隆需获得明确授权，避免法律纠纷 |
| 输出版权 | 生成音频版权归用户，但需注意训练数据相关潜在争议 |