audio-enhancement-engine

当用户想要**音频增强**、**提升音质**、**修复录音**、**降噪**、**语音修复**、**高保真音频**、**48kHz超分辨率**、**清理会议录音**、**音乐音质提升**、**批量处理音频**时自动触发。 集成 **VoiceFixer**（通用语音修复）与 **AudioSR**（高保真音频超级...

Security Scan

代码与声明总体一致：这是一个本地音频增强工具；它会创建/使用虚拟环境、自动安装依赖并下载模型，行为与其功能需求相符 but 会进行大量网络下载和系统探测，非技术用户应谨慎运行。

Purpose & Capability

名称与描述（音频增强、VoiceFixer、AudioSR）与实际代码匹配：脚本实现了 VoiceFixer 与 AudioSR 调用、支持单文件/目录批量处理、输出 WAV、支持 CUDA。要求的外部能力（python、GPU 可选）与用途一致。

Instruction Scope

SKILL.md 指示运行 scripts/enhancer.py，但未向最终用户详细列出实际运行时动作：脚本会创建/切换到虚拟环境、通过 pip 动态安装/升级大量依赖（含 git+ 安装）、检测/调用 nvidia-smi、解析系统路径、并下载模型与大文件。尽管这些对功能有理由，但这些步骤访问系统工具和路径（nvidia-smi、/usr/local、venv 目录、模型/日志目录），以及自动重启进程的行为，超出了简单“运行脚本”的表述，应向用户明确告知。

Install Mechanism

没有单独的 install spec，但代码在首次运行会通过 ensure_package.py 和 env_manager.py 调用 pip 安装多量依赖（PyPI、git+GitHub）、并在某些脚本中下载大型 PyTorch wheel（通过 download.pytorch.org）。动态从网络安装第三方包与模型是必要但具有风险（依赖完整性、下载量大、耗时），并且包含 git+ installs 与本地回退 zip 逻辑——可被滥用或带来供应链隐患。

Credentials

Skill 不要求任何外部凭证或敏感环境变量。代码会使用/设置少量非敏感 env vars (RUNNING_IN_VENV, HF_HUB_* toggles, optional VOICEFIXER_CACHE_DIR) 并读写项目内的 logs/models/venv 路径。未见请求 AWS/云/令牌类凭证，访问范围与本地模型/依赖管理的目的相符，但脚本会遍历系统路径并调用 nvidia-smi，可能暴露本机硬件信息（仅本机探测，无外发）。

Persistence & Privilege

always:false (正常)。脚本会在项目附近创建/管理一个虚拟环境 (venv)、写入日志文件并下载模型/whl 到项目目录；它不会修改其他技能或全局系统配置，但会在本进程环境中设置 LD_LIBRARY_PATH 并可能在 venv 中卸载/重装 torch（仅影响该 venv）。这些是持久写入，用户应确认磁盘与权限。

Assessment

简明建议： - 这是一个功能与实现基本一致的本地音频增强工具，但首次运行会自动创建虚拟环境并从互联网下载/安装大量依赖和模型（包括 git+ 仓库和 PyTorch wheel，可能数 GB）。预计耗时长、占用磁盘和网络流量。 - 在生产或敏感环境中运行前：在隔离环境（容器或专用虚拟机）中先测试；确认你愿意允许脚本写入项目目录（venv、models、logs、pytorch_wheels）。 - 检查 Python 版本（脚本强制要求 3.10–3.12）。 - 如果你担心供应链风险：手动审查或手动安装依赖、手动下载模型/whl，然后运行脚本时禁用自动安装（或阅读 ensure_package.py 来了解行为）。 - 脚本会探测 GPU（调用 nvidia-smi）并据此安装对应 PyTorch wheel；如果不希望脚本访问系统 GPU/路径，可在无 GPU 的隔离环境中运行或禁用网络。 - 无需提供任何 API 密钥或凭据；脚本也没有明显的数据外发端点，但会联网下载第三方包和模型（请确认接受这些来源：GitHub、huggingface、download.pytorch.org）。 如需我帮你：我可以列出首次运行将要安装的具体包/URLs，或生成一个在容器中运行的最小命令/Dockerfile 来安全测试该技能。

Audio Enhancement Skill

功能：本地音频增强与修复统一工具，集成 VoiceFixer（语音降噪/修复）和 AudioSR（高保真超级分辨率）。支持单文件与目录批量处理，自动适配最合适的增强模式，输出清晰、高质量的 48kHz WAV 文件。

触发时机（Triggers）

• 用户提供音频文件（.wav、.mp3、.flac、.m4a、.ogg 等）或音频文件夹路径，并表达增强音质、修复、降噪、高保真等意图。
• 用户说“音频增强”“修复录音”“降噪”“提升音质”“高保真”“48kHz”等关键词。
• 支持单个文件处理或整个文件夹批量处理（支持递归子目录）。

支持的两种增强模式

1. VoiceFixer 通用语音修复（默认模式）

   • 擅长语音降噪、提升清晰度、修复轻微失真。
   • 推荐用于：会议录音、访谈、播客、语音笔记、老旧录音。

2. AudioSR 高保真音频超级分辨率（启用 --hifi 时）

   • 将音频提升至 48kHz，显著增加高频细节和整体保真度。
   • 推荐用于：音乐、演唱、人声、需要高音质的场景。

参数提取指南

当决定调用此技能时，请从用户消息中准确提取以下参数：

1. <输入路径> (必填): 用户提供的音频文件路径或文件夹路径（支持相对/绝对路径）。
2. <输出路径> (选填): 用户指定的输出文件或目录路径。若未指定，默认在输入同级目录自动添加 _enhanced 后缀。
3. <模式选择> (选填):
   • 默认使用 VoiceFixer。
   • 若用户提到“高保真”“音乐”“48kHz”“超分辨率”等，自动添加 --hifi 并使用 AudioSR。
4. VoiceFixer 专用参数（默认模式）:
   • --mode：0/1/2（推荐 1，默认 1）
   • --cuda：是否使用 GPU
   • -r, --recursive：是否递归子目录
5. AudioSR 专用参数（--hifi 模式）:
   • --model_name：basic 或 speech（人声推荐 speech）
   • --ddim_steps：扩散步数（默认 50，建议 50-100）
   • --guidance_scale：引导尺度（默认 3.5）
   • --seed：随机种子（默认 42）
   • --device：cuda 或 cpu

执行步骤

1. 解析路径：识别用户提供的音频文件或文件夹路径。

2. 模式判断：根据用户意图判断使用 VoiceFixer（默认）还是 AudioSR（含 --hifi）。

3. 默认目标：若未指定输出路径，默认在输入目录生成带 _enhanced_48k（AudioSR）或 _enhanced（VoiceFixer）后缀的文件。

4. 调用命令：使用以下兼容性命令启动脚本（优先 python3，失败则 python）。脚本会自动检查环境、初始化模型并处理。

   (python3 scripts/enhancer.py -i "<输入路径>" [-o "<输出目录>"] [-m <0|1|2>] [--cuda] [-r] [--hifi] [--model_name <basic|speech>] [--ddim_steps <数值>] [--guidance_scale <数值>] [--seed <数值>] [--device <cuda|cpu>]) || (python scripts/enhancer.py -i "<输入路径>" [-o "<输出目录>"] [-m <0|1|2>] [--cuda] [-r] [--hifi] [--model_name <basic|speech>] [--ddim_steps <数值>] [--guidance_scale <数值>] [--seed <数值>] [--device <cuda|cpu>])