AI 配音 / 音乐生成 · 详细教程

通过开放 API 把文字转成配音、生成背景音乐、克隆音色。需要你自己的 API Key，提交任务后轮询取回音频。

下载技能包

这是一个可以直接用的技能包（zip（约 15 KB））。下载解压后，按下面的「安装 / 用法」跑起来。

下载 AI 配音 / 音乐生成 · 详细教程 ↓

这是什么

audio-gen 是一个调用开放 API 做音频生成的 skill：文字转语音（TTS）、生成配乐、克隆音色，都走它。本 skill 只覆盖音频；要生图用 image-gen，要出视频用 video-gen。

需要你自己的 API Key：它不内置额度，跑之前要配置好 Key，按平台计费。

适合谁 / 不适合谁

✅ 给短视频配解说、朗读文章、做配音。
✅ 生成背景音乐、按风格出歌。
✅ 克隆自己的声音（先在平台完成音色克隆拿到 voice_id）。
❌ 不处理视频画面、不处理图片。要那类去找对应的 skill。

怎么部署

下载解压：点页面顶部的「下载 …」拿到 zip，解压得到一个 audio-gen/ 文件夹（里面是 SKILL.md 和 scripts/）。
装进 AI 助手：把整个 audio-gen/ 文件夹放进你所用助手的 skills 目录，助手就能自动发现它 ——

WorkBuddy / CodeBuddy（用户级）：~/.workbuddy/skills/audio-gen/，Windows 上是 C://Users//<你的用户名>//.workbuddy//skills//audio-gen//；
只想在某个项目里用：<项目目录>/.workbuddy/skills/audio-gen/。

配好 Key：这个 skill 要调用平台 API，需要你自己的 sk- Key —— 见下一节「准备：配置 API Key」。
用起来：直接跟助手说要做什么（例：「把这段文字转成配音」），它会调用。

准备：配置 API Key

程序按这个顺序找 Key（找到第一个就用）：

本 skill 目录下的 api_key.txt（与 SKILL.md 同级，内容就是一行 Key）；
环境变量 AUDIOGEN_API_KEY（也认 VIDEOGEN_API_KEY / IMAGEGEN_API_KEY，同平台同一个 Key 三个 skill 通用）；
文件 ~/.audio-gen/api_key.txt；
都没有 → 到平台官网「开放API」页面创建 sk- 开头的 Key（平台 API 域名 https://api.lk888.ai），拿到后写入上面的 api_key.txt 保存，下次无需再问。

它已内置接口地址与鉴权方式，你不用关心底层 URL。

用法

音频比视频快（TTS 通常秒级到一两分钟，音乐几分钟），但仍然拆成「提交 + 查进度」两步，不要一条命令死等：

# 1) 看有哪些音频模型 / 某个模型的参数
python scripts/generate.py --list-models
python scripts/generate.py --show-model "doubao-tts-2.0"

# 2) 提交配音（文本走文件，避免中文乱码）
python scripts/generate.py --model "doubao-tts-2.0" --prompt-file text.txt \
  --params '{"voice_id":"zh_female_vv_uranus_bigtts","emotion":"happy"}' --submit-only

# 3) 隔 10–30 秒查一次（完成自动下载到 ./output）
python scripts/generate.py --task-id 58392 --out ./output

# 音乐：风格放顶层 prompt，歌词放 params.lyrics
python scripts/generate.py --model "suno-v4.5" --prompt-file style.txt \
  --params-file params.json --submit-only

以返回的 is_final 为唯一终点，不要按墙钟时间自行判定失败，也不要重复提交（会重复计费）。

选型（就三类）

你想要	模型（API name）
配音 / 朗读 / 解说	`doubao-tts-2.0`（36 个预置音色）、`gem-3.1-tts` / `gem-2.5-tts`（30 个预置音色，可描述情绪）、`speech-2.8`（海螺语音克隆，无预置音色）
歌曲 / 音乐生成	`suno-v4.5`、`music-2.5+` / `music-2.5`
专属音色	`speech-2.8`：先在平台官网完成音色克隆拿到 `voice_id` 再用

页面显示名 ≠ API 模型名（如「豆包语音合成 2.0」的 API name 是 doubao-tts-2.0），model 字段必须填后者。
参数值一律用接口给的 value 原样传，不要自己发明取值；具体以 --show-model 实时返回为准。

编码规则

中文文本不要直接放命令行参数（Windows 控制台默认 GBK 会乱码），写进 UTF-8 文件用 --prompt-file 传，歌词也可以写进 --params-file 的 JSON 里。
提交前可查余额；不足时先充值，不要反复重试。

已知边界（如实说，不吹）

失败任务余额自动退回；按 error.type 分类处置（参数错误就改参数、Key 无效就检查 Key、余额不足就充值、频率限制就退避），不要对错误文案做文本匹配。
接口行为以平台实时返回为准，模型上下架、参数变化以 --show-model 查到的为准。

想要加功能

包里目前是 SKILL.md + scripts/generate.py + references/models.md（音频模型速查）。想加专属音色工作流、批量生成、或接进你们自己的系统 → 用页面底部的联系方式找我，说清场景，我帮你做。