# Videoagent Audio Studio

> ¿Cansado de manejar varias APIs de audio? Da acceso con un solo comando a TTS, generación de música, efectos de sonido y clonación de voz, sin gestionar múltiples claves API.

Fuente: https://skillsagentes.com/skills/pexoai/pexo-skills/videoagent-audio-studio
Markdown: https://skillsagentes.com/skills/pexoai/pexo-skills/videoagent-audio-studio.md

Repositorio: https://github.com/pexoai/pexo-skills
Autor: pexoai
Licencia: MIT
Actualizado: hace 5 meses
Coste de contexto: 54 tok instalada, 1.7k tok al activarse, 8.3k tok con todos los archivos del bundle
Bundle: 10 archivos, 33 KB
Permisos que pide: ninguno declarado

## Instalación

Un skill son archivos markdown: los mismos archivos valen para cualquier agente y lo único que cambia es el directorio de destino, es decir la bandera `--agent`. Añade `-g` para instalarlo en todos los proyectos de la máquina.

```bash
# Claude Code
npx -y skills add pexoai/pexo-skills --skill videoagent-audio-studio --agent claude-code
# Cursor
npx -y skills add pexoai/pexo-skills --skill videoagent-audio-studio --agent cursor
# Codex
npx -y skills add pexoai/pexo-skills --skill videoagent-audio-studio --agent codex
# Gemini CLI
npx -y skills add pexoai/pexo-skills --skill videoagent-audio-studio --agent gemini
# Windsurf
npx -y skills add pexoai/pexo-skills --skill videoagent-audio-studio --agent windsurf
# Cline
npx -y skills add pexoai/pexo-skills --skill videoagent-audio-studio --agent cline
```

## Qué hace

- Analiza la petición de audio y la enruta al mejor modelo disponible (ElevenLabs o fal.ai)
- Genera voz (TTS), narraciones, música de fondo, efectos de sonido y clonación de voz
- Devuelve una URL de audio lista para usar
- Arranca un servidor MCP de ElevenLabs para gestionar toda la generación de audio

## Cuándo usarla

- El usuario pide generar voz, narrar un texto o crear un voice-over
- El usuario pide componer música o crear una banda sonora
- El usuario pide un efecto de sonido específico
- El usuario aporta una muestra de audio y quiere clonar esa voz

## Qué la activa

- "Voice this text for me: Welcome to our product launch"
- "Genera 60 segundos de música de fondo relajante para un podcast"
- "Crea un efecto de sonido de una puerta abriéndose estilo sci-fi"
- "Clona esta voz a partir de este audio"

## Antes de instalar

- Requiere la variable ELEVENLABS_API_KEY (y opcionalmente FAL_KEY para música y SFX de fal.ai) configuradas en ~/.openclaw/openclaw.json.
- Necesita en el PATH: npm
- makes network requests

## Archivos

- SKILL.md — 7 KB
- cli.js — 7 KB
- proxy/.gitignore — 21 B
- proxy/api/audio.js — 6 KB
- proxy/api/stats.js — 4 KB
- proxy/package-lock.json — 2 KB
- proxy/package.json — 162 B
- proxy/usage-store.js — 4 KB
- proxy/vercel.json — 451 B
- tools/start_server.sh — 1 KB

## SKILL.md

Reproducido tal cual desde pexoai/pexo-skills bajo MIT. Esta sección es el documento original y está en inglés.

# 🎙️ VideoAgent Audio Studio

**Use when:** User asks to generate speech, narrate text, create a voice-over, compose music, or produce a sound effect.

VideoAgent Audio Studio is a smart audio dispatcher. It analyzes your request and routes it to the best available model — ElevenLabs for speech and music, fal.ai for fast SFX — and returns a ready-to-use audio URL.

---

## Quick Reference

| Request Type | Best Model | Latency |
|---|---|---|
| Narrate text / Voice-over | `elevenlabs-tts-v3` | ~3s |
| Low-latency TTS (real-time) | `elevenlabs-tts-turbo` | <1s |
| Background music | `cassetteai-music` | ~15s |
| Sound effect | `elevenlabs-sfx` | ~5s |
| Clone a voice from audio | `elevenlabs-voice-clone` | ~10s |

---

## How to Use

### 1. Start the AudioMind server (once per session)

```bash
bash {baseDir}/tools/start_server.sh
```

This starts the ElevenLabs MCP server on port 8124. The skill uses it for all audio generation.

### 2. Route the request

Analyze the user's request and call the appropriate tool via the MCP server:

**Text-to-Speech (TTS)**

When user asks to "narrate", "read aloud", "say", or "create a voice-over":

```
Use MCP tool: text_to_speech
  text: "<the text to narrate>"
  voice_id: "JBFqnCBsd6RMkjVDRZzb"   # Default: "George" (professional, neutral)
  model_id: "eleven_multilingual_v2"   # Use "eleven_turbo_v2_5" for low latency
```

**Music Generation**

When user asks to "compose", "create background music", or "make a soundtrack":

```
Use MCP tool: text_to_sound_effects  (via cassetteai-music on fal.ai)
  prompt: "<music description, e.g. 'upbeat lo-fi hip hop, 90 seconds'>"
  duration_seconds: <duration>
```

**Sound Effect (SFX)**

When user asks for a specific sound (e.g., "a door creaking", "rain on a window"):

```
Use MCP tool: text_to_sound_effects
  text: "<sound description>"
  duration_seconds: <1-22>
```

**Voice Cloning**

When user provides an audio sample and wants to clone the voice:

```
Use MCP tool: voice_add
  name: "<voice name>"
  files: ["<audio_file_url>"]
```

---

## Example Conversations

**User:** "Voice this text for me: Welcome to our product launch"

```
→ Route to: text_to_speech
  text: "Welcome to our product launch"
  voice_id: "JBFqnCBsd6RMkjVDRZzb"
  model_id: "eleven_multilingual_v2"
```

> 🎙️ Voiceover done! [Listen here](audio_url)

---

**User:** "Generate 60 seconds of relaxing background music for a podcast"

```
→ Route to: cassetteai-music (fal.ai)
  prompt: "relaxing lo-fi background music for a podcast, gentle piano and soft beats, 60 seconds"
  duration_seconds: 60
```

> 🎵 Background music ready! [Listen here](audio_url)

---

**User:** "Generate a sci-fi style door opening sound effect"

```
→ Route to: text_to_sound_effects
  text: "a futuristic sci-fi door sliding open with a hydraulic hiss"
  duration_seconds: 3
```

---

## Setup

### Required

Set `ELEVENLABS_API_KEY` in `~/.openclaw/openclaw.json`:

```json
{
  "skills": {
    "entries": {
      "videoagent-audio-studio": {
        "enabled": true,
        "env": {
          "ELEVENLABS_API_KEY": "your_elevenlabs_key_here"
        }
      }
    }
  }
}
```

Get your key at [elevenlabs.io/app/settings/api-keys](https://elevenlabs.io/app/settings/api-keys).

### Optional (for fal.ai music & SFX models)

```json
"FAL_KEY": "your_fal_key_here"
```

Get your key at [fal.ai/dashboard/keys](https://fal.ai/dashboard/keys).

---

## Self-Hosting the Proxy

The `cli.js` connects to a hosted proxy by default. If you want full control — or need to serve users in regions where `vercel.app` is blocked — you can deploy your own instance from the `proxy/` directory.

### Quick Deploy (Vercel)

```bash
cd proxy
npm install
vercel --prod
```

### Environment Variables

Set these in your Vercel project (Dashboard → Settings → Environment Variables):

| Variable | Required For | Where to Get |
|---|---|---|
| `ELEVENLABS_API_KEY` | TTS, SFX, Voice Clone | [elevenlabs.io/app/settings/api-keys](https://elevenlabs.io/app/settings/api-keys) |
| `FAL_KEY` | Music generation | [fal.ai/dashboard/keys](https://fal.ai/dashboard/keys) |
| `VALID_PRO_KEYS` | (Optional) Restrict access | Comma-separated list of allowed client keys |

### Point cli.js to Your Proxy

```bash
export AUDIOMIND_PROXY_URL="https://your-domain.com/api/audio"
```

Or set it in `~/.openclaw/openclaw.json`:

```json
{
  "skills": {
    "entries": {
      "videoagent-audio-studio": {
        "env": {
          "AUDIOMIND_PROXY_URL": "https://your-domain.com/api/audio"
        }
      }
    }
  }
}
```

### Custom Domain (Recommended)

If your users are in mainland China, bind a custom domain in Vercel Dashboard → Settings → Domains to avoid DNS issues with `vercel.app`.

---

## Model Reference

| Model ID | Type | Provider | Notes |
|---|---|---|---|
| `eleven_multilingual_v2` | TTS | ElevenLabs | Best quality, supports 29 languages |
| `eleven_turbo_v2_5` | TTS | ElevenLabs | Ultra-low latency, ideal for real-time |
| `eleven_monolingual_v1` | TTS | ElevenLabs | English only, fastest |
| `cassetteai-music` | Music | fal.ai | Reliable, fast music generation |
| `elevenlabs-sfx` | SFX | ElevenLabs | High-quality sound effects (up to 22s) |
| `elevenlabs-voice-clone` | Clone | ElevenLabs | Clone any voice from a short audio sample |

---

## Changelog

### v3.0.0
- **Simplified routing table**: Removed unstable/offline models from the main reference. The skill now only surfaces models that reliably work.
- **Clearer use-case triggers**: Added "Use when" section so the agent activates this skill at the right moment.
- **Unified setup**: Single `ELEVENLABS_API_KEY` is all you need to get started. `FAL_KEY` is now optional.
- **Removed polling complexity**: Music generation now uses `cassetteai-music` by default, which completes synchronously.

### v2.1.0
- Added async workflow for long-running music generation tasks.
- Added `cassetteai-music` as a stable alternative for music generation.

### v2.0.0
- Migrated to ElevenLabs MCP server architecture.
- Added voice cloning support.

### v1.0.0
- Initial release with TTS, music, and SFX routing.

## Dónde encaja

- Categoría: [Automatización](https://skillsagentes.com/categorias/automatizacion.md) — Flujos de varios pasos que se ejecutan sin supervisión.
- Creador: [pexoai](https://skillsagentes.com/creators/pexoai.md) — 0 skills en el directorio
- [Todas las skills](https://skillsagentes.com/skills.md)
- [Ranking de instalaciones](https://skillsagentes.com/ranking.md)

## Otras skills del mismo repositorio

- [Pexo Agent](https://skillsagentes.com/skills/pexoai/pexo-skills/pexo-agent.md): Skill de generación de video con IA que selecciona modelo automáticamente entre Seedance 2, Kling 3.0, HappyHorse y más de 10 modelos, y produce videos multi-toma de 5–120s desde texto, imágenes, URLs, guiones o audio.
- [Ai Video Generation](https://skillsagentes.com/skills/pexoai/pexo-skills/ai-video-generation.md): Genera video con IA a partir de texto, imagen o guion: enruta cada toma al mejor de 10+ modelos (Seedance, Kling, Veo, Sora...) y entrega un video final con música y subtítulos.
- [Founder Video](https://skillsagentes.com/skills/pexoai/pexo-skills/founder-video.md): Crea un video de fundador con Pexo: cuenta tu historia o pitch y Pexo escribe el guion, genera las tomas y entrega un video listo para publicar, con música.
- [Image To Video](https://skillsagentes.com/skills/pexoai/pexo-skills/image-to-video.md): Anima una foto fija en un vídeo terminado con Pexo: añade movimiento, cámara y música, elige el mejor modelo automáticamente y entrega el clip listo para publicar.
- [Saas Video](https://skillsagentes.com/skills/pexoai/pexo-skills/saas-video.md): Crea un video demo o explicativo de tu SaaS con Pexo: describe tu software (o pega la URL o una captura) y recibe un video terminado y listo para publicar.

## Skills relacionadas

- [Dispatching Parallel Agents](https://skillsagentes.com/skills/obra/superpowers/dispatching-parallel-agents.md): Úsalo cuando enfrentes 2 o más tareas independientes que puedan trabajarse sin estado compartido ni dependencias secuenciales.
- [Subagent Driven Development](https://skillsagentes.com/skills/obra/superpowers/subagent-driven-development.md): Úsalo al ejecutar planes de implementación con tareas independientes dentro de la sesión actual.
- [Loop Me](https://skillsagentes.com/skills/mattpocock/skills/loop-me.md): Interrógame sobre las specs de los workflows que quiero construir, dentro de este workspace.
- [Remote Browser](https://skillsagentes.com/skills/browser-use/browser-use/remote-browser.md): Controla un navegador local desde una máquina sandboxed remota. Úsalo cuando el agente corre sin GUI y necesita navegar sitios, rellenar formularios, tomar screenshots o exponer servidores locales vía túneles.
- [Orchestration](https://skillsagentes.com/skills/stablyai/orca/orchestration.md): Usa la orquestación de Orca para coordinación multi-agente estructurada: mensajes en hilo, ask/reply bloqueante, dispatch de tareas, waits de worker_done/escalación, DAGs, gates de decisión y loops de coordinador.

---

Skills Agentes · [Índice de páginas en markdown](https://skillsagentes.com/sitemap.md) · [Inicio](https://skillsagentes.com/index.md)