mcpField
A
audio-generation

audio-generation

github.com/massgenクリエイティブ・メディア1.1k76 回インストール20 週間前に更新
リポジトリ

audio-generation について

audio-generationは、generate_mediaを使って音声、音楽、効果音などを作るためのスキルガイドです。ElevenLabsとOpenAIの選択肢を説明し、ElevenLabsの音声生成に失敗した場合はOpenAIへ切り替えます。

主な機能

  1. 01テキスト読み上げ音声の生成
  2. 02音楽と効果音の作成
  3. 03音声の変換・分離・クローン・設計
  4. 04音声の他言語への吹き替え
  5. 05バックエンド・声・出力形式の選択

活用シーン

  1. 01プレゼンテーション用ナレーションの作成
  2. 02テキストから音楽や効果音を生成
  3. 03翻訳音声の吹き替え作成
  4. 04既存音声の変換やノイズ除去

インストール

コマンドをコピーしてターミナルで実行します。

$npx skills add https://github.com/massgen/massgen --skill audio-generation

インストール後、Claude Code で/audio-generationを入力して読み込まれたか確認します。

同梱ファイル

SKILL.md と一緒にインストールされる参考資料やスクリプト。

references/
advanced.md
music_and_sfx.md
voices.md

詳細

音声生成

mode="audio"を指定してgenerate_mediaを使用し、音声を生成します。音声合成（TTS）、音楽、効果音に対応しています。利用可能な場合はElevenLabsを優先し、利用できない場合はOpenAIにフォールバックします。

クイックスタート

# Text-to-speech (auto-selects ElevenLabs if key available)
generate_media(prompt="Hello, welcome to our presentation!", mode="audio")

# With specific voice
generate_media(prompt="Hello!", mode="audio", voice="Rachel")

# Music generation (ElevenLabs only)
generate_media(prompt="Upbeat jazz piano with soft drums", mode="audio",
               audio_type="music", duration=30)

# Sound effects (ElevenLabs only)
generate_media(prompt="Thunder rolling across a mountain valley", mode="audio",
               audio_type="sound_effect", duration=5)

音声の種類

種類バックエンド説明
"speech"（デフォルト）ElevenLabs、OpenAI音声を選択できるテキスト読み上げ
"music"ElevenLabsのみテキストプロンプトから音楽を生成
"sound_effect"ElevenLabsのみ効果音を生成
"voice_conversion"ElevenLabsのみ既存の音声の声を変更（音声から音声への変換）
"audio_isolation"ElevenLabsのみ背景ノイズを除去し、ボーカルを分離
"voice_design"ElevenLabsのみテキストの説明から新しい合成音声を作成
"voice_clone"ElevenLabsのみ音声サンプルから声を複製
"dubbing"ElevenLabsのみ音声を別の言語に翻訳して吹き替え

バックエンドの比較

バックエンドデフォルトモデル対応機能API キー
ElevenLabs（優先度1）eleven_multilingual_v2音声、音楽、効果音ELEVENLABS_API_KEY
OpenAI（優先度2）gpt-4o-mini-tts音声のみOPENAI_API_KEY

ElevenLabsのTTSが失敗した場合、システムは自動的にOpenAIのTTSにフォールバックします。

主なパラメーター

パラメーター説明例
prompt読み上げるテキスト（音声）、または説明（音楽／効果音）"Hello world!"
voice音声の名前またはID"Rachel"、"nova"、"alloy"
audio_type音声の種類"speech"、"music"、"sound_effect"
duration長さ（秒）（音楽／効果音のみ）30
instructions話し方のスタイル（OpenAIのgpt-4o-mini-ttsのみ）"warm, reflective tone"
audio_format出力形式"mp3"、"wav"、"opus"

音声のクイックリファレンス

ElevenLabs（主な音声）：

音声特徴
Rachel温かみのある、会話調の女性
Sarah明瞭でプロフェッショナルな女性
Josh親しみやすい男性
Adam低く威厳のある男性
Emily明るくエネルギッシュな女性

OpenAIの音声：alloy、echo、fable、onyx、nova、shimmer、coral、sage

重要：promptとinstructions

音声の場合、promptは実際に読み上げるテキストです。スタイルの指定はinstructionsに記述します。

# CORRECT: prompt = text to speak, instructions = how to speak it
generate_media(
    prompt="Welcome to the annual report presentation.",
    mode="audio",
    voice="alloy",
    instructions="warm, reflective tone with measured pacing",
    backend_type="openai"
)

# WRONG: Don't put style instructions in prompt
generate_media(prompt="Say this warmly: Welcome...", mode="audio")  # Bad!

instructionsはOpenAIのgpt-4o-mini-ttsでのみ機能します。ElevenLabsでは、音声の選択によって話し方のトーンを指定します。

音声の理解

既存の音声を分析するには、generate_mediaではなくread_mediaを使用します。

read_media(path="recording.mp3", prompt="Transcribe and summarize this audio")

さらに細かく設定するには

コメント

Markdown 対応