Audio Gen Agent Skill
| 통합 오디오 생성 스킬. ElevenLabs MCP 기반 TTS(32개국어), 보이스 클로닝(1분 샘플), 다국어 더빙(립싱크), 효과음 생성을 지원. "목소리 생성", "TTS", "음성 합성", "보이스 클로닝", "더빙", "나레이션", "효과음", "AI 음성" 요청 시 사용.
Install
one command, takes just this skill from the repositorynpx skills add https://github.com/modu-ai/cowork-plugins --skill audio-genThe instruction itself
13 sections, as written by the authoraudio-gen
개요
AI 기반 오디오 생성을 위한 통합 스킬입니다. ElevenLabs의 고성능 TTS 엔진을 활용하여 32개국어(한국 포함)의 자연스러운 음성을 생성하고, 단 1분의 샘플로 개인/브랜드 보이스를 클로닝합니다. 또한 비디오 다국어 더빙(립싱크 자동), 효과음 생성, 실시간 대화형 AI 보이스 에이전트 구축을 지원합니다.
주요 기능
- TTS (Text-to-Speech): 32개국어 자연스러운 음성 생성 (한국어 최적화)
- 보이스 클로닝: 1분 샘플로 개인/브랜드 보이스 복제
- 다국어 더빙: 한국어 비디오 → 영어/일본어 등 (립싱크 자동 조정)
- 효과음 생성: 영화, 게임, 콘텐츠용 사운드 이펙트
- ConvAI: 실시간 대화형 보이스 에이전트 (챗봇, AI 상담원)
트리거 키워드
다음 요청 시 이 스킬을 사용하세요:
- 음성 생성 관련: "목소리 만들어줘", "TTS", "음성 합성", "나레이션 녹음", "AI 성우"
- 보이스 클로닝: "내 목소리 복제", "브랜드 보이스 만들기", "보이스 클로닝", "샘플 음성으로 학습"
- 더빙 관련: "영어 더빙", "일본어 번역+녹음", "외국어 자막+음성", "다국어 버전"
- 효과음: "효과음 생성", "사운드 이펙트", "배경음", "비디오 소리"
- 대화형 AI: "AI 상담원", "보이스봇", "실시간 음성 대화", "전화 자동 응답"
워크플로우
1. 기본 TTS (Text-to-Speech)
1. 텍스트 입력 (한국/영어/32개국어)
2. 보이스 프리셋 선택 또는 커스텀 보이스 ID 지정
3. 모델 선택 (eleven_multilingual_v2 기본)
4. 오디오 생성 (MP3/WAV)
2. 보이스 클로닝
1. 참조 오디오 업로드 (1분 이상, 무음 최소화)
2. 보이스 이름/설명 입력
3. 클로닝 실행 → 보이스 ID 발급
4. TTS에서 클로닝된 보이스 사용
3. 다국어 더빙
1. 원본 비디오 업로드
2. 원본 언어 감지 (예: 한국어)
3. 타겟 언어 선택 (예: 영어, 일본어, 스페인어)
4. 자동 번역 + 보이스 생성 + 립싱크 매칭
5. 더빙된 비디오 다운로드
4. 효과음 생성
1. 효과음 설명 프롬프트 작성 (예: "천둥소리, 폭풍우")
2. 지속시간 설정 (1~30초)
3. 생성 및 다운로드
사용 예시
예시 1: 한국어 나레이션 생성
"이 블로그 글을 한국어 나레이션으로 읽어줘.
여성 차분한 톤으로, 3분 분량."
→ 보이스: Rachel (여성 차분)
→ 모델: eleven_multilingual_v2
→ 출력: MP3 파일
예시 2: 브랜드 보이스 클로닝
"우리 CEO의 1분 연설 음원이 있어.
이 목소리를 클로닝해서 신제품 발표 나레이션을 만들어줘."
→ 참조: ceo_sample.wav
→ 출력: 클로닝된 보이스 ID + 나레이션 MP3
예시 3: 유튜브 영상 영어 더빙
"이 한국어 교육 영상을 영어와 일본어로 더빙해줘.
원본 자막은 유지하고, 립싱크도 맞춰줘."
→ 입력: korean_tutorial.mp4
→ 출력: english_dub.mp4, japanese_dub.mp4
예시 4: 효과음 생성
"판타지 게임용 마법 시전 효과음 3개 만들어줘.
1. 화염구 (2초)
2. 얼음 폭발 (3초)
3. 치유 빛 (2.5초)"
→ 출력: fireball.wav, ice_explosion.wav, heal_light.wav
출력 형식
TTS 출력
- 파일 형식: MP3 (기본), WAV, FLAC
- 샘플레이트: 44.1kHz, 48kHz
- 채널: 모노/스테레오 선택 가능
- 최대 길이: 무제한 (사용 플랜에 따라 문자 수 한정)
보이스 클로닝
- 보이스 ID:
voices/xxxxx형식 - 라이선스: 클로닝된 보이스는 계정 내 영구 보존
- 공유: 보이스 ID를 통해 다른 프로젝트에서 재사용 가능
더빙 출력
- 비디오 형식: MP4 (원본 품질 유지)
- 오디오 트랙: 다국어 오디오 트랙 추가
- 자막: SRT 자막 파일 자동 생성
- 싱크: 립싱크 자동 조정 (±100ms 정밀도)
주의사항
API 키 필수
ELEVENLABS_API_KEY 환경변수가 필요합니다.
- elevenlabs.io 가입
- Settings → API Keys → Create API Key
.env또는 시스템 환경변수에 등록:
export ELEVENLABS_API_KEY="your_api_key_here"
요금 안내
| 플랜 | 가격 | 문자 수 | 사용처 |
|------|------|---------|--------|
| Free | $0 | 10,000자/월 | 테스트, 개인 프로젝트 |
| Starter | $5/월 | 30,000자/월 | 소규모 콘텐츠 |
| Creator | $22/월 | 100,000자/월 | 유튜버, 프리랜서 |
| Pro | $99/월 | 500,000자/월 | 앱 통합, 상업적 사용 |
제한사항
- 보이스 클로닝: 최소 1분 샘플 필요 (무음 구간 최소화)
- 더빙: 10분 초과 영상은 별도 협의 필요
- 상업적 사용: Pro 플랜 이상 필요 (라이선스 조건 확인)
- 속도 제한: Free 플랜은 RPM(분당 요청) 제한 있음
모델 선택 가이드
| 모델 | 성격 | 용도 | 비고 |
|------|------|------|------|
| eleven_multilingual_v2 | 최고 품질 | 브랜딩, 광고, 나레이션 | 한국어 최적화, 권장 |
| eleven_flash_v2_5 | 초저지연 | 실시간 대화, 게임 | 200ms 미만 |
| eleven_turbo_v2_5 | 비용 효율 | 장문 나레이션, 대량 생성 | 50% 저렴 |
기본(ElevenLabs prebuilt) 보이스 프리셋 — eleven_multilingual_v2로 한국어 합성 가능
| 코드 | 성격 | 톤 | 사용처 |
|------|------|-----|--------|
| Rachel | 여성 차분 | 내레이터 | 다큐, 뉴스, 교육 |
| Antoni | 남성 친근 | 대화형 | 인터뷰, 팟캐스트 |
| Bella | 여성 발랄 | 에너지틱 | 광고, 홍보영상 |
| Callum | 남성 중립 | 전문·내레이터 | 보고서, 프레젠테이션 |
관련 스킬
- higgsfield-video: TTS 오디오를 AI 비디오와 결합
- higgsfield-image: 앨범 아트·썸네일 등 오디오 콘텐츠용 이미지 생성
- moai-content:blog: 블로그 글 → 나레이션 스크립트 변환
- moai-content:copywriting: 광고 카피 → 광고 보이스 생성
MCP 서버 설정
이 스킬은 ElevenLabs MCP (stdio)를 사용합니다.
{
"elevenlabs": {
"command": "/bin/bash",
"args": ["-l", "-c", "exec uvx elevenlabs-mcp"],
"env": {
"ELEVENLABS_API_KEY": "${ELEVENLABS_API_KEY}"
}
}
}
MCP 서버 등록 절차: moai-media/CONNECTORS.md 참조.
Other skills for the same job
different authors, same section of the catalogue
Create beautiful visual art in .png and .pdf documents using design philosophy. You should use this skill when the user asks to create a poster, piece of art, design, or other static piece. Create original visual designs, never copying existing artists' work to avoid copyright violations.
Creating algorithmic art using p5.js with seeded randomness and interactive parameter exploration. Use this when users request creating art using code, generative art, algorithmic art, flow fields, or particle systems. Create original algorithmic art rather than copying existing artists' work to avoid copyright violations.
Improves the quality of images, especially screenshots, by enhancing resolution, sharpness, and clarity. Perfect for preparing images for presentations, documentation, or social media posts.
Downloads videos from YouTube and other platforms for offline viewing, editing, or archival. Handles various formats and quality options.
Lightweight WSI tile extraction and preprocessing. Use for basic slide processing tissue detection, tile extraction, stain normalization for H&E images. Best for simple pipelines, dataset preparation, quick tile-based analysis. For advanced spatial proteomics, multiplexed imaging, or deep learning pipelines use pathml.
Microscopy data management platform. Access images via Python, retrieve datasets, analyze pixels, manage ROIs/annotations, batch processing, for high-content screening and microscopy workflows.
Python library for working with DICOM (Digital Imaging and Communications in Medicine) files. Use this skill when reading, writing, or modifying medical imaging data in DICOM format, extracting pixel data from medical images (CT, MRI, X-ray, ultrasound), anonymizing DICOM files, working with DICOM metadata and tags, converting DICOM images to other formats, handling compressed DICOM data, or processing medical imaging datasets. Applies to tasks involving medical image analysis, PACS systems, radiology workflows, and healthcare imaging applications.
This skill should be used when working with pre-trained transformer models for natural language processing, computer vision, audio, or multimodal tasks. Use for text generation, classification, question answering, translation, summarization, image classification, object detection, speech recognition, and fine-tuning models on custom datasets.
How to use it
Take modu-ai/audio-gen from the repository into ~/.claude/skills for personal
use, or into .claude/skills inside a project.
The agent identifies a skill by the name field in its header. Two skills with the
same name cannot sit side by side — one of them will be ignored.
The instructions reference uvx.
Without those the skill loads but fails at the first command.