audio

io.clawhub.steipete/markdown-converter

使用 markitdown 将文档与文件转换为 Markdown。在转换 PDF、Word（.docx）、PowerPoint（.pptx）、Excel（.xlsx/.xls）、HTML、CSV、JSON、XML、图片（含 EXIF/OCR）、音频（含转写）、ZIP 归档、YouTube 链接或 EPub 为 Markdown 以供 LLM 处理或文本分析时使用。

io.clawhub.steipete/openai-whisper-api

通过 OpenAI 语音转写 API（Whisper）转写音频。

io.clawhub.i3130002/edge-tts

使用 node-edge-tts npm 包进行文字转语音，把文本生成音频。支持多音色、多语言、语速调节、音高控制与字幕生成。适用于：(1) 用户以 tts 触发词请求音频/语音输出；(2) 内容需要听而非读（多任务、无障碍、开车、做饭场景）；(3) 用户想指定音色、语速、音高或 TTS 输出格式。

io.clawhub.cellcog/cellcog

任意输入到任意输出的 AI 子智能体——一次请求即可完成调研、图像、视频、音频、音乐、播客、数字人、语音克隆、文档、表格、仪表盘、3D 模型、图示与代码。采用智能体间协议并支持多步迭代以保证精度。DeepResearch Bench 第一名（2026 年 4 月）——深度推理覆盖所有模态，因此你的所有工作都能完成，而不只是代码。

io.clawhub.mahmoudadelbghany/ffmpeg-video-editor

把自然语言视频编辑需求转成 FFmpeg 命令——切割、裁剪、转换、压缩、改宽高比、提取音频等。

io.clawhub.nitishgargiitd/cellcog

任意输入到任意输出的 AI 子代理——调研、图像、视频、音频、音乐、播客、数字人、声音克隆、文档、电子表格、仪表盘、3D 模型、图表等……（原文截断）

io.clawhub.steipete/video-transcript-downloader

从 YouTube 及任何 yt-dlp 支持的站点下载视频、音频、字幕与干净的段落式转写稿。当被要求“下载这个视频”“保存这个片段”“提取音频”“获取字幕”“获取转写稿”，或排查 yt-dlp/ffmpeg 与格式/播放列表问题时使用。

io.clawhub.steipete/songsee

通过 songsee CLI 从音频生成频谱图与特征面板可视化图像。

io.clawhub.degausai/wonda

使用 Wonda CLI 在终端生成图像、视频、音乐与音频——并支持 LinkedIn、Reddit 和 X/Twitter 的调研与自动化。

io.clawhub.ngutman/video-subtitles

从视频/音频生成带翻译支持的 SRT 字幕。转录希伯来语（ivrit.ai）和英语（whisper），进行语言间翻译，并将字幕烧录进视频。用于生成字幕、转录文本或为 WhatsApp/社媒硬编码字幕。

io.clawhub.apollo1234/yt-dlp-downloader-skill

使用 yt-dlp 从 YouTube、Bilibili、Twitter 及上千个网站下载视频。当用户提供视频 URL 并想下载、提取音频（MP3）、下载字幕或选择视频质量时使用。在「下载视频」「download video」「yt-dlp」「YouTube」「B站」「抖音」「提取音频」「extract audio」等短语时触发。

io.clawhub.edkief/kokoro-tts

使用本地 Kokoro TTS 引擎将文本生成语音。当用户要求朗读某内容、请求语音消息或希望把文本转成语音时使用。

io.clawhub.pors/openai-tts

通过 OpenAI Audio Speech API 实现文本转语音。

io.clawhub.shaharsha/elevenlabs-tts

ElevenLabs TTS——为 OpenClaw 打造的最佳 ElevenLabs 集成。支持情感音频标签的 ElevenLabs 文本转语音，为 WhatsApp……进行语音合成

io.clawhub.cellcog/audio-generation-cellcog

由 CellCog 驱动的 AI 音频生成与文本转语音。配音、旁白、语音克隆、数字人音色、音效、音乐、播客、对话。三家语音供应商（OpenAI、ElevenLabs、MiniMax）。从文本提示完成专业音频制作。

io.clawhub.ascendswang/ffmpeg-cli

使用 FFmpeg CLI 处理视频与音频：转码、切割、合并、音频提取、缩略图、GIF、变速、滤镜、字幕与水印。

io.clawhub.ivangdavila/ffmpeg

以正确的编解码器选择、滤镜与编码参数处理视频与音频。

io.clawhub.darinkishore/voice-transcribe

使用 OpenAI 的 gpt-4o-mini-transcribe 模型转写音频文件，支持词汇提示与文本替换。需要 uv（https://docs.astral.sh/uv/）。

io.clawhub.kkaticld/listenhub-ai

通过 ListenHub 把想法变成播客、讲解视频、语音旁白与 AI 图像。当用户想“做一期播客”“制作讲解视频……”时使用。

io.clawhub.jackycser/seedance-video-generation

使用字节跳动 Seedance 生成 AI 视频。适用于：(1) 从文本提示生成视频，(2) 从图像生成视频（首帧、首尾帧、参考图），(3) 查询/管理视频生成任务。支持 Seedance 1.5 Pro（含音频）、1.0 Pro、1.0 Pro Fast 与 1.0 Lite 模型。

io.clawhub.odrobnik/elevenlabs

通过 ElevenLabs API 实现文本转语音、音效、音乐生成、声音管理与配额查询。当需要用 ElevenLabs 生成音频或管理……时使用。

io.clawhub.nitishgargiitd/audio-cog

由 CellCog 驱动的 AI 音频生成与文本转语音。配音、旁白、声音克隆、虚拟人声、音效、音乐、播客、对话。

io.clawhub.ivangdavila/audio

处理、增强并转换音频文件：降噪、响度归一化、格式转换、转写与播客工作流。

io.clawhub.agmmnn/fal-ai

通过 fal.ai API 生成图像、视频与音频（FLUX、SDXL、Whisper 等）

io.clawhub.matusvojtek/tubescribe

YouTube 视频摘要器，支持说话人识别、排版文档与音频输出。开箱即用 macOS 内置 TTS。可选推荐工具（pandoc、ffmpeg、mlx-audio）可进一步提升质量。访问 YouTube 需要联网，无需付费 API 或订阅。当用户发送 YouTube 链接或要求总结/转写视频时使用。

io.clawhub.dandysuper/seedance-2-prompt-engineering-skill

生成精确、带时间码的 Seedance 2.0 提示词，将多模态输入与素材映射相结合，实现受控的 4–15 秒视频创作与编辑。

io.clawhub.amstko/tts

使用 Hume AI（或 OpenAI）API 将文本转为语音。当用户要求语音消息、语音回复或想“听”某段内容（法语 of vive voix）时使用。

io.clawhub.fspecii/ace-music

通过 ACE Music 的免费 API 使用 ACE-Step 1.5 生成 AI 音乐。当用户要求创建、生成或作曲音乐、歌曲、节拍、纯音乐……时使用。无限免费生成完整带人声歌曲、任意流派、任意语言，无需订阅、额度或限制。

io.clawhub.clawdbotborges/elevenlabs-stt

使用 ElevenLabs Speech-to-Text（Scribe v2）转写音频文件。

io.clawhub.stolot0mt0m/voice-reply

基于 sherpa-onnx 使用 Piper 音色的本地文本转语音。100% 离线，无需任何 API key。当用户要求语音回复、音频应答、朗读答案或希望听到朗读内容时使用。支持多语言，包括德语（thorsten）与英语（ryan）音色。输出兼容 Telegram 的语音消息（带 [[audio_as_voice]] 标签）。

io.clawhub.zhaov1976/voice

使用 Microsoft Edge 的 TTS 引擎将文本转语音，支持自定义音色、直接播放与临时文件自动清理。

io.clawhub.xsir0/google-gemini-media

使用 Gemini API（Nano Banana 图像生成、Veo 视频、Gemini TTS 语音与音频理解）完成端到端的多模态媒体工作流，并提供“生成 + 理解”的代码模板。

io.clawhub.xmanrui/voice-message

使用 edge-tts 做文本转语音、ffmpeg 处理音频，在多个聊天渠道（Telegram、Discord、飞书/Lark、Signal。

io.clawhub.oconnell-carl/notebooklm-cli

通过命令行管理 Google NotebookLM 笔记本与知识源，并以编程方式生成音频、测验、报告。

io.clawhub.javicasper/transcribe

使用本地 Whisper（Docker）把音频文件转录为文本。适用于收到语音消息或音频文件（.mp3、.m4a、.ogg、.wav、.webm），或被要求转录音频内容时。

io.clawhub.ivangdavila/music-generation

用优化后的提示词生成 AI 音乐，支持风格控制与可直接使用的音频输出。

io.clawhub.linhui99/flyworks-avatar-video

使用 Flyworks（即 HiFly）数字人生成视频：由图片制作口播视频、用公共数字人配合 TTS，或克隆声音生成自定义音频。

io.clawhub.rubenfb23/vocal-chat

处理 WhatsApp 上的语音到语音对话：自动转录收到的语音，并用本地 TTS 生成语音回复。当用户希望“说”而不是“打字”时使用。

io.clawhub.obviyus/openrouter-transcribe

通过 OpenRouter 使用支持音频的模型（Gemini、GPT-4o-audio 等）转录音频文件。

io.clawhub.okaris/speech-to-text

通过 inference.sh CLI 使用 Whisper 模型将音频转写为文本。模型：Fast Whisper Large V3、Whisper V3 Large。

io.clawhub.rakesh1002/audiopod

使用 AudioPod AI API 处理音频任务：AI 音乐生成（文生音乐、文生说唱、伴奏、采样、人声）、音轨分离、文生语音、降噪、语音转写、说话人分离与媒体提取。当用户需要从文本生成音乐/歌曲/说唱、拆分歌曲音轨/人声/乐器、从文本生成语音、清理嘈杂音频、转写音频/视频，或从 YouTube/URL 提取音频时使用。需要 AUDIOPOD_API_KEY 环境变量或直接传入 api_key。

io.clawhub.paki81/qwen-tts

基于 Qwen3-TTS-12Hz-1.7B-CustomVoice 的本地文本转语音。用于把文本生成音频、制作语音消息或被要求 TTS 时；支持含意大利语在内的 10 种语言、9 个高品质音色，以及基于指令的声音控制（情绪、语气、风格）。是 ElevenLabs 等云端 TTS 的替代方案，模型下载完成后可完全离线运行。

io.clawhub.hopyky/tts-whatsapp

以 40 多种语言向 WhatsApp 发送高质量文本转语音消息，自动投递。

io.clawhub.araa47/gemini-stt

使用 Google 的 Gemini API 或 Vertex AI 转录音频文件。

io.clawhub.thewulf7/avatar-video-messages

用口型同步的 VRM 虚拟形象生成并发送视频消息。当用户要求视频消息、虚拟形象视频、视频回复，或希望以视频而非音频形式投递 TTS 时使用。

io.clawhub.udiedrichsen/audio-gen

按需生成有声书、播客或教学音频。用户提供想法或主题，Claude AI 撰写脚本，ElevenLabs 转成高质量音频。支持多种格式（有声书、播客、教学）、自定义时长与声音效果。当用户要求制作音频内容、做播客、生成有声书或制作教学音频时使用。通过 MEDIA 标记返回 MP3 音频文件。

io.clawhub.dlazyai/dlazy-vidu-audio-clone

使用 Vidu 声音克隆技术，通过参考音频一键复制音色并生成新文本的朗读音频。

io.clawhub.dlazyai/dlazy-seedance-2-0

字节跳动最新视频生成模型 Seedance 2.0，支持多模态参考（图片 + 视频 + 音频）生视频、首尾帧及文生视频，适合高质量多样化视频创作。