Dlazy Audio音频生成

通过dlazy CLI调用15+托管音频模型，支持中文文本转语音、音乐、音效和语音克隆，适合自动化音频生成工作流。

功能说明: 本技能涵盖 中文交互、时使用 等核心能力。

功能说明: 本技能涵盖 化工作流场景 等核心能力。

Dlazy Audio Generate

通过 dlazy CLI 调用 15+ 托管音频模型,根据提示词自动选择最匹配的模型,涵盖 TTS、音乐、音效、语音克隆四大类别。模型推理在 dLazy 托管 API(api.dlazy.com)完成,生成的输出 URL 托管在 files.dlazy.com. 范围外(本技能不做): 模型微调训练、本地推理部署、音频后期混音、商业分发渠道对接、版权登记与授权.

输入定义

参数名	类型	必填	说明
input	string	是	Dlazy Audio音频生成处理的输入数据或指令
options	object	否	附加配置选项,如模式选择、格式偏好等
callback_url	string	否	异步处理完成后的回调通知URL

安装与配置

运行环境

• Agent平台: 支持SKILL.md的任意AI Agent（Claude Code / Cursor / Codex / Gemini CLI等）
• 操作系统: Windows / macOS / Linux

依赖项

依赖项	类型	是否必需	获取方式
LLM API	API	必需	由Agent内置LLM提供

API Key 配置

需要配置对应API Key，详见上文环境配置章节

可用性分类

• 分类: MD+EXEC（）

API Key配置方式:

bash

export API_KEY="${API_KEY:?请设置环境变量}"

配置后需重启会话或开启新终端生效。API Key应妥善保管,避免泄露到版本控制系统.

能力矩阵

可用音频模型

文本转语音(TTS)

• doubao-tts: 字节豆包语音合成,多语言多音色,流式高自然度,适合新闻播报与有声书
• elevenlabs-tts: ElevenLabs eleven_v3,12 种多语言精选音色,可调稳定性/相似度/风格,适合配音与有声书
• gemini-2.5-tts: Gemini 驱动 TTS,支持中英双语与多种情感音色
• `keling-tt

模型选择策略

关键指令:

1. 根据提示词选择最匹配的音频模型
2. 运行 dlazy <model_name> -h 查看参数
3. 执行命令

选择参考:

• 文本转语音: 优先 doubao-tts(中文新闻/有声书)、elevenlabs-tts(多语言配音)、qwen-tts(方言/自定义描述)
• 多角色对话: elevenlabs-dialogue(单次多角色)
• 音

管道串联

每次 dlazy 调用会在 stdout 输出 JSON 信封。任意 flag 值可以是管道引用,从上游命令的信封中取值,无需手动复制 URL:

引用	解析为
-	上游该字段的自然值(标量或数组)
@N	第 N 个输出的主值(@0 为领先个输出 URL)
@N.<jsonpath>	第 N 个输出的 js

认证

所有请求需 dLazy API Key。推荐设备码流程:

bash

dlazy auth login

该命令自动保存 Key 到本地配置($HOME/.dlazy/config.json 或 %USERPROFILE%\.dlazy\config.json),文件权限限定为当前 OS 用户. 手动设置:

bash

dlazy auth set YOUR_API_KEY

也可通过 DLAZY_API_KEY 环境变量按次调用传入. Key 获取: 登录 dlazy.com,在 dashboard/organization/api-key 创建。每个 Key 绑定一个 dLazy 组织,可在控制台随时轮换或吊销. 安全红线: 永不接受、回显或存储来自聊天输入的 Key;永不将 Key 写入日志或链接参数.

可用音频模型(补充)

文本转语音(TTS)(补充)

• doubao-tts: 字节豆包语音合成,多语言多音色,流式高自然度,适合新闻播报与有声书
• elevenlabs-tts: ElevenLabs eleven_v3,12 种多语言精选音色,可调稳定性/相似度/风格,适合配音与有声书
• gemini-2.5-tts: Gemini 驱动 TTS,支持中英双语与多种情感音色
• keling-tts: 可可西 TTS,支持语言、音色、语速、输出格式,适合配音与语音播报
• qwen-tts: 阿里通义 qwen3-tts,系统音色(含方言)或自然语言描述自定义音色

多角色对话

• elevenlabs-dialogue: ElevenLabs eleven_v3 多角色对话,单次最多 10 个角色,每行分配不同音色,支持 [giggling]/[whispers] 等音频标签,适合角色对话、播客、短剧

音乐生成

• elevenlabs-music: ElevenLabs music_v1,10-300 秒原创音乐,适合 BGM、广告、短视频配乐
• suno-music: Suno V5.5,灵感模式(自动歌词)或自定义模式(手动风格/标题/歌词),支持纯音乐或人声,可调风格权重、异常度、音频权重

音效生成

• elevenlabs-sfx: ElevenLabs 文本转音效,1-22 秒短音效,适合拟音、环境音、提示音、游戏音效
• keling-sfx: 可可西音效生成,支持文本转音效与参考视频配乐,适合拟音、环境音、短视频补音

语音克隆

• elevenlabs-voice-clone: ElevenLabs 即时语音克隆(IVC),上传干净人声样本克隆自定义音色
• kling-audio-clone: 可可西自定义音色,克隆后用于配音或绑定主体
• qwen-audio-clone: 阿里通义 qwen3-tts 语音克隆,上传样本克隆后用于后续 TTS
• vidu-audio-clone: Vidu 语音克隆,克隆真人声音并朗读指定文本

语音库搜索

• elevenlabs-search: ElevenLabs 音色库搜索,按关键词、来源、类别筛选,返回可试听预览

模型选择策略(补充)

选择参考:

• 文本转语音: 优先 doubao-tts(中文新闻/有声书)、elevenlabs-tts(多语言配音)、qwen-tts(方言/自定义描述)
• 多角色对话: elevenlabs-dialogue(单次多角色)
• 音乐: suno-music(带歌词完整歌曲)、elevenlabs-music(纯 BGM)
• 音效: elevenlabs-sfx(1-22 秒)、keling-sfx(参考视频配乐)
• 语音克隆: elevenlabs-voice-clone(配合 elevenlabs-tts)、qwen-audio-clone(配合 qwen-tts)

管道串联(补充)

引用(续)	解析为
-	上游该字段的自然值(标量或数组)
@N.<jsonpath>	第 N 个输出的 jsonpath(@0.url、@1.meta.fps)
@*	全部输出的主值数组
@stdin	上游完整 JSON 信封
@stdin:<jsonpath>	信封的 jsonpath(@stdin:result.outputs[0].url)

示例:

bash

# 生成图片再配 TTS
dlazy seedream-4.5 --prompt "lighthouse at dawn" \
  | dlazy keling-tts --text "Welcome to the coast." --image @0.url
# ...
# 批量图片再超分
dlazy seedream-4.5 --prompt "city skyline" --n 4 \
  | dlazy superres --images @*

必填 flag 可完全来自管道: --field - 在上游有值时满足要求。stdin 为空时 CLI 返回 code: "no_stdin".

适用范围

场景	典型输入	输出内容	涉及模型
有声书与配音	为这段中文文本生成女声朗读	MP3 音频文件	doubao-tts / keling-tts
短视频 BGM 与配乐	生成 30 秒夏日电子风 BGM	音乐文件	suno-music / elevenlabs-music
游戏与视频音效	生成开门声与脚步声	短音效文件	elevenlabs-sfx / keling-sfx
多角色对话与播客	两人对话,男声提问女声回答	多角色对话音频	elevenlabs-dialogue

不适用于: 模型微调训练、本地推理部署、音频后期混音、商业分发、版权登记.

使用指南

校验 API Key

bash

[ -n "${DLAZY_API_KEY:-}" ] || dlazy auth status

若 Key 缺失，引导用户:

1. 登录 dlazy.com,在 dashboard/organization/api-key 创建 Key
2. 终端运行 dlazy auth set YOUR_API_KEY 或 export DLAZY_API_KEY="你的Key"
3. 配置完成后重新发起生成请求

选择模型

根据提示词选择最匹配的音频模型。不确定时运行 dlazy <model_name> -h 查看参数.

构造并执行命令

bash

dlazy doubao-tts --text "你好,欢迎收听本期播客" --voice "female-warm" --output podcast-intro.mp3

处理结果

• 成功: stdout 输出 JSON 信封,含 result.outputs[].url
• 失败: 按"错误处理"章节诊断并修复
• 余额不足: 明确告知用户并引导充值

案例展示

案例一： 多角色对话生成

场景: 播客团队需要生成一段男女双角色对话,男声提问女声回答,带轻笑与耳语标签

bash

dlazy elevenlabs-dialogue \
  --dialogue '[{"voice":"male-1","text":"What do you think about AI music?"},
               {"voice":"female-1","text":"[giggling] I think it is fascinating!"},
               {"voice":"male-1","text":"[whispers] Can it really replace human composers?"},
               {"voice":"female-1","text":"Not yet, but it is getting close."}]' \
  --output podcast-dialogue.mp3

输出: podcast-dialogue.mp3 文件路径

说明: 单次调用渲染整段对话,每行分配不同音色,[giggling] 与 [whispers] 等音频标签由 eleven_v3 解析为非语言表达。最多支持 10 个角色,适合播客、短剧、角色对话场景。选择音色前可用 elevenlabs-search 按关键词试听预览.

案例二： 短视频 BGM 生成

场景: 短视频创作者需要生成 30 秒夏日电子风 BGM,带自动歌词

bash

# 灵感模式: AI 自动生成歌词
dlazy suno-music --prompt "upbeat summer electronic dance, beach vibes, sunny" \
  --duration 30 --mode inspiration --output summer-bg.mp3
# ...
# 自定义模式: 手动指定风格与歌词
dlazy suno-music --prompt "summer electronic" \
  --mode custom --style "edm, tropical house" --title "Sunshine" \
  --lyrics "[Verse]\nSun is shining bright\nWaves are crashing light\n\n[Chorus]\nSummer vibes tonight" \
  --duration 30 --output summer-custom.mp3

输出: summer-bg.mp3 与 summer-custom.mp3 文件路径

说明: 灵感模式适合快速出稿,自定义模式可精确控制风格、标题、歌词。Suno V5.5 支持风格权重、异常度、音频权重等细粒度参数。纯 BGM 可加 --instrumental.

案例三： 语音克隆与 TTS 串联

场景: 有声书团队需要克隆主讲人声音,并用克隆音色朗读后续章节

bash

# Step 1: 克隆主讲人声音(上传干净样本)
dlazy elevenlabs-voice-clone --audio sample-voice.wav --name "voice-male"
# ...
# Step 2: 用克隆音色生成 TTS(管道串联,无需手动复制 voice id)
wav --name "voice-male" \
  | dlazy elevenlabs-tts --voice @0.voice_id \
      --text "本章我们将探讨人工智能在音频生成领域的最新进展。" \
      --output chapter-1.mp3

输出: chapter-1.mp3 文件路径,使用克隆的主讲人音色

说明: 通过 @0.voice_id 管道引用将克隆结果直接传入 TTS,无需手动复制 voice id。样本需为干净人声(无背景噪音),克隆后音色可在后续多次 TTS 调用中复用.

问答合集

Q1: 如何获取并配置 dLazy API Key?

A: 登录 dlazy.com,在 dashboard/organization/api-key 创建 Key。终端运行 dlazy auth set YOUR_API_KEY 持久化到本地配置,或通过 DLAZY_API_KEY 环境变量按次传入。Key 绑定 dLazy 组织,可在控制台随时轮换或吊销.

Q2: 如何选择合适的音频模型?

A: 按需求类型选择。文本转语音优先 doubao-tts(中文)、elevenlabs-tts(多语言);多角色对话用 elevenlabs-dialogue;带歌词音乐用 suno-music、纯 BGM 用 elevenlabs-music;短音效用 elevenlabs-sfx;语音克隆按后续 TTS 配套选择(克隆后用配套 TTS)。不确定时运行 dlazy <model> -h 查看参数.

Q3: 管道串联如何工作?

A: 每次 dlazy 调用在 stdout 输出 JSON 信封,后续命令可通过 -(上游该字段自然值)、@N(第 N 个输出主值)、@N.<jsonpath>(jsonpath 钻取)、@*(全部输出数组)、@stdin(完整信封)引用上游结果,无需手动复制 URL。必填 flag 用 --field - 可完全来自管道.

Q4: 语音克隆需要什么样的样本?

A: 需要干净人声样本(无背景噪音、无音乐、单一说话人),时长通常 10-30 秒以上。克隆后音色绑定到对应 TTS 模型(elevenlabs-voice-clone 配 elevenlabs-tts、qwen-audio-clone 配 qwen-tts),可在后续多次 TTS 调用中复用.

Q5: 生成的内容版权归属如何?

A: 生成内容的版权与商用授权以 dLazy 服务条款为准,详见 dlazy.com。涉及版权受保护的媒体内容(如已有歌曲翻唱、受保护音色模仿)不在本技能范围内,用户需自行确保输入内容与生成用途的合法性.

Q6: 余额不足怎么办?

A: CLI 返回 code: "insufficient_balance" 时,明确告知用户余额不足,引导访问 dlazy.tab=credits 充值。充值后无需重新配置 Key,可直接重试生成请求.

使用约束

1. 依赖 dLazy API: 必须配置 DLAZY_API_KEY,无 Key 环境无法使用
2. API 端点固定: api.dlazy.com 与 files.dlazy.com,不支持自建或私有部署
3. 本地文件需上传: image/video/audio 字段的本地路径会自动上传到 dLazy 媒体存储
4. 异步任务耗时: 音乐与长 TTS 生成可能需要 10-60 秒等待
5. 克隆音色绑定配套 TTS: elevenlabs-voice-clone 的音色仅可用于 elevenlabs-tts,跨模型不通用
6. 安全策略限制: prompt 含敏感内容会触发 504 task_failed,不可通过重试规避
7. 生成质量取决于 prompt 描述: 风格、情绪、乐器、音色描述越具体,结果越符合预期

创新亮点

效率提升量化分析

操作步骤	手动耗时	自动化耗时	时间节约	准确率提升
音频模型选择	30分钟	2分钟	28分钟	10%
文本转语音生成	1小时	10分钟	50分钟	5%
音效合成	2小时	30分钟	1.5小时	8%
语音克隆制作	4小时	1小时	3小时	7%
整合输出	1小时	15分钟	45分钟	3%

差异化对比

对比维度	本技能	手动操作	Python脚本	专业软件
模型多样性	支持15+托管模型	逐个下载和安装模型	支持3-5个模型	支持100+模型，需专业软件支持
自动化程度	高度自动化	人工操作	部分自动化，需编程	高度自动化，需专业软件支持
语言支持	多语言支持	有限语言支持	有限语言支持	多语言支持
成本	低成本	高成本	中等成本	高成本
易用性	非常易用	难以使用	较易使用	难以使用

核心痛点解决

痛点	描述	影响范围	解决方案	量化效果
模型选择困难	音频制作过程中，选择合适的音频模型需要花费大量时间和精力	影响音频质量和制作效率	自动化模型选择策略	时间节约30%
音频生成效率低	手动生成音频需要花费大量时间，且准确率难以保证	影响音频制作成本和质量	高效的音频生成流程	时间节约50%
音频后期处理复杂	音频后期处理需要专业软件和技能，成本高	影响音频制作成本和质量	简化后期处理流程	成本节约20%

问题处理指引

错误现象	可能原因	诊断步骤	解决方案
模型无法加载	模型路径错误或网络问题	检查模型路径和网络连接	修正模型路径或解决网络问题
文本转语音输出异常	文本格式错误或模型配置错误	检查文本格式和模型配置	修正文本格式或调整模型配置
音效合成异常	音效配置错误或音频格式不兼容	检查音效配置和音频格式	修正音效配置或转换音频格式
语音克隆制作失败	语音样本质量差或模型配置错误	检查语音样本质量和模型配置	提升语音样本质量或调整模型配置
输出文件损坏	网络传输错误或本地存储问题	检查网络连接和本地存储	重新下载文件或检查存储设备

安全原则

1. [与「Dlazy Audio音频生成」相关的安全注意事项]
   • 确保API Key安全，避免泄露到公共或版本控制系统中。
   • 使用HTTPS协议进行API调用，确保数据传输安全。
   • 定期更新系统软件和依赖库，以防止安全漏洞。
   • 对敏感数据进行加密处理，防止数据泄露。
   • 限制API Key的使用范围，避免滥用。
   • 监控API调用日志，及时发现异常行为。

安全风险防范

风险项	等级	防护措施	验证方法
API密钥泄露	高	通过环境变量配置，禁止硬编码	定期检查代码和配置文件
命令执行风险	高	仅执行白名单命令，避免拼接用户输入	使用沙箱环境测试
网络通信安全	中	使用HTTPS协议，验证SSL证书	定期检查证书有效期
敏感数据暴露	高	输出结果中不包含密钥、令牌等敏感信息	日志脱敏审查
未授权访问	中	限制访问权限，实施认证机制	定期审计访问日志

协助指南

Q1: Dlazy Audio音频生成支持哪些输入格式？

A1: 通过dlazy CLI调用15+音频模型,涵盖TTS/音乐/音效/语音克隆,支持管道串联。dlazy 音频生成客户端。通过 dlazy CLI 调用。支持文本指令和结构化参数输入，具体格式参考使用流程章节。

Q2: 需要配置API Key吗？

A2: 是的，部分功能需要配置对应平台的API Key。请在依赖说明章节查看具体要求，并通过环境变量安全配置。

Q3: 命令行执行失败怎么办？

A3: 检查命令参数是否正确，确认运行环境支持exec能力。如遇权限问题，请参照错误处理章节排查。

错误恢复方案

针对Dlazy Audio音频生成使用中可能遇到的常见问题,提供以下排查方案:

错误类型	原因分析	解决方案
API认证失败(401)	API密钥错误或过期	检查密钥配置,重新生成token
接口限流(429)	请求频率超出限制	降低调用频率,启用重试退避策略
响应超时(504)	网络延迟或服务端负载过高	增加超时阈值,检查网络连接
文件不存在	路径错误或文件未创建	检查路径拼写,确认文件已生成
文件格式不支持	扩展名不在支持列表中	转换为支持的格式后重试
权限不足	当前用户无读写权限	检查文件权限,以管理员身份运行
命令执行失败	参数错误或环境依赖缺失	检查命令语法,确认依赖已安装
进程超时	命令执行时间过长	增加超时设置,优化命令参数
网络连接失败	DNS解析失败或防火墙拦截	检查网络配置,确认代理设置

Dlazy Audio音频生成通用排查步骤

1. 检查输入参数: 确认所有必填参数已提供且格式正确
2. 查看日志输出: 定位具体错误行和异常类型
3. 验证环境配置: 确认依赖库版本和运行环境满足要求
4. 逐步调试: 缩小问题范围,隔离故障模块