# 声音即技能：语音合成·克隆·转录八引擎实测 2026年Q2，Claude Code Skills生态在语音与音频领域爆发式增长。从文本转语音（TTS）到声音克隆，从会议纪要转录到AI音乐制作，再到播客自动生成——语音类Skills已从边缘工具跃升为内容生产的核心基础设施。本评测聚焦八大代表性语音音频引擎，覆盖合成、克隆、转录、播客、音乐、视频配音、媒体采集和本地离线八个方向，从功能完整度、上手难度、变现潜力、训练营适用性、社区活跃度五个维度进行深度横评。 --- ## 评测总览 | 引擎 | 核心能力 | 功能完整度 | 上手难度 | 变现潜力 | 训练营适用 | 社区活跃度 | 综合评分 | |------|---------|-----------|---------|---------|-----------|-----------|---------| | **LeanVox** | TTS+STT+克隆统一 | ★★★★★ | ★★★★☆ | ★★★★★ | ★★★★☆ | ★★★★☆ | 4.6 | | **ElevenLabs Voice Expert** | 顶级语音合成+克隆 | ★★★★★ | ★★★☆☆ | ★★★★★ | ★★★★☆ | ★★★★★ | 4.5 | | **F5-TTS / claude-tts-skill** | 本地离线开源TTS | ★★★★☆ | ★★★☆☆ | ★★★★☆ | ★★★★★ | ★★★★☆ | 4.0 | | **claude-listen** | Whisper本地转录+说话人分离 | ★★★★☆ | ★★★☆☆ | ★★★★☆ | ★★★★☆ | ★★★★☆ | 3.8 | | **podcast (sgasser)** | 文本→播客音频零API | ★★★★☆ | ★★★★★ | ★★★☆☆ | ★★★★★ | ★★★☆☆ | 3.7 | | **claude-music (ACE-Step)** | AI音乐生成+编曲 | ★★★★☆ | ★★★★☆ | ★★★★★ | ★★★★☆ | ★★★★☆ | 4.2 | | **sora** | OpenAI视频生成+配音 | ★★★★★ | ★★★☆☆ | ★★★★★ | ★★★☆☆ | ★★★★★ | 4.3 | | **youtube-transcript** | 视频字幕提取+摘要 | ★★★★☆ | ★★★★★ | ★★★★☆ | ★★★★★ | ★★★★☆ | 4.2 | --- ## 一、LeanVox：语音三合一统一引擎 **来源**：[leanvox.com](https://leanvox.com/blog/leanvox-agent-skill) | **安装**：`npx skills add leanvox` LeanVox是2026年语音Skills领域最具野心的项目之一，它将TTS语音合成、STT语音转录和Voice Cloning声音克隆三大能力统一打包为一个Agent Skill。底层集成了ElevenLabs、OpenAI TTS和本地macOS系统语音三条管道，用户无需分别安装多个Skill即可完成从"文本→语音→克隆→转录"的全闭环。 **核心功能演示**：安装后，Claude Code可直接执行"将这段文字转为播客音频"、"克隆这个声音并读出以下内容"、"转录这个会议录音并生成纪要"三类指令。LeanVox的SKILL.md定义了完整的workflow决策树——根据用户意图自动路由到TTS/STT/Clone三条支线，支持批量处理和文件级联操作。2026年5月，LeanVox进一步推出了MCP Server版本，可直接在Claude Desktop、ChatGPT和Cursor中使用，跨平台兼容37+个AI Agent。 **评分详解**： - 功能完整度 ★★★★★：TTS+STT+Clone三合一，支持11种输出格式 - 上手难度 ★★★★☆：需配置ElevenLabs API Key，但有免费层 - 变现潜力 ★★★★★：可打包为"AI配音SaaS"，定价空间$29-99/月 - 训练营适用 ★★★★☆：适合2天密集课程，需API基础 - 社区活跃度 ★★★★☆：GitHub 500+ Stars，持续更新 **与竞品对比**：相比单独的TTS Skill（如bluemomo112/claude-tts-skill只做TTS），LeanVox的统一架构省去了多Skill协调的复杂性。但深度不及ElevenLabs Voice Expert的专业级控制。 --- ## 二、ElevenLabs Voice Expert：顶级语音克隆专家 **来源**：[thomasblc/elevenlabs-claude-skill](https://github.com/thomasblc/elevenlabs-claude-skill) | **安装**：`npx skills add elevenlabs-voice-expert` ElevenLabs Voice Expert是专门为ElevenLabs API设计的深度集成Skill，覆盖了voiceover生成、声音克隆、音效创建和批量处理四个专业场景。2026年ElevenLabs v3发布后，该Skill率先支持了Instant Voice Cloning和Professional Voice Cloning两种模式，克隆精度从v2的82%提升至v3的94%（MOS评分）。 **核心功能演示**：`clone my voice from this sample and read the script in Spanish with Castilian accent`——这条自然语言指令即可触发完整的克隆→合成→多语言输出流程。Skill内置了70+种语言的accent控制参数，支持情感调节（neutral/happy/sad/angry/whispering），以及音效生成（rain, thunder, keyboard typing等32种环境音）。 **评分详解**： - 功能完整度 ★★★★★：覆盖ElevenLabs全部API端点 - 上手难度 ★★★☆☆：需ElevenLabs Pro订阅（$22/月起），API参数多 - 变现潜力 ★★★★★：直接对接有声书、广告配音、游戏NPC语音市场 - 训练营适用 ★★★★☆：适合进阶课程，需要语音工程基础 - 社区活跃度 ★★★★★：ElevenLabs官方推荐，社区贡献活跃 **变现路径**：配音SaaS（$0.30/分钟）、有声书制作（$500-2000/本）、游戏NPC语音包（$2000-5000/项目）。训练营可设计为3天密集课，从API接入到声音克隆全流程。 --- ## 三、F5-TTS / claude-tts-skill：本地离线语音合成 **来源**：[bluemomo112/claude-tts-skill](https://github.com/bluemomo112/claude-tts-skill) | **安装**：`npx skills add claude-tts` F5-TTS是2026年开源TTS领域的明星模型，由SWivid团队开发的Flow Matching架构实现了从10秒音频样本克隆声音的能力。claude-tts-skill将F5-TTS与MLX优化结合，在Apple Silicon上实现sub-100ms延迟的实时语音合成，完全本地运行、零API费用。 **核心功能演示**：该Skill支持双模式运行——OpenAI Cloud模式（高质量，需API Key）和Fish Speech/F5-TTS本地模式（免费，需8GB+ VRAM）。本地模式下，用户只需提供一段10-15秒的参考音频，F5-TTS即可克隆声音并合成任意文本。2026年Q1，Fish Audio S2 Pro在盲测中以67%胜率击败ElevenLabs，证明了开源方案已接近商用水平。 **评分详解**： - 功能完整度 ★★★★☆：本地+云端双模式，但音色库较少 - 上手难度 ★★★☆☆：本地部署需GPU/MLX环境配置 - 变现潜力 ★★★★☆：零成本优势明显，但音质略逊云端 - 训练营适用 ★★★★★：开源免费，非常适合教学 - 社区活跃度 ★★★★☆：F5-TTS主仓库14k+ Stars **关键决策点**：如果追求音质和稳定性选ElevenLabs；如果追求隐私和零成本选F5-TTS。两者差距在2026年已缩小到普通人难以分辨的程度。 --- ## 四、claude-listen：Whisper本地转录与说话人分离 **来源**：[terminator1333/claude-listen](https://github.com/terminator1333/claude-listen) | **安装**：`npx skills add claude-listen` claude-listen是专为会议场景设计的转录Skill，基于faster-whisper + pyannote.audio实现全本地音频转录和说话人分离（Speaker Diarization）。无需任何API调用，所有处理在本地完成，保证了企业级隐私安全。 **核心功能演示**：拖入一段60分钟会议录音，claude-listen自动完成语音识别→说话人分离→结构化纪要生成三步流程。输出格式包含时间戳、说话人标签（Speaker 1/2/3）、对话摘要和行动项提取。相比简单的Whisper转录，pyannote的说话人分离精度达到92%（DER < 8%），在多人会议场景中优势明显。 **评分详解**： - 功能完整度 ★★★★☆：转录+分离+纪要，但不支持实时流式 - 上手难度 ★★★☆☆：需安装faster-whisper和pyannote依赖 - 变现潜力 ★★★★☆：会议纪要SaaS市场巨大（参考Otter.ai $16.99/月） - 训练营适用 ★★★★☆：适合NLP/语音处理课程 - 社区活跃度 ★★★★☆：持续更新，但核心依赖上游库 --- ## 五、podcast (sgasser)：零API播客生成器 **来源**：[sgasser/claude-skill-podcast](https://github.com/sgasser/claude-skill-podcast) | **安装**：`npx skills add podcast` podcast Skill的核心理念是"零成本播客"——完全依赖浏览器原生Web Speech API实现文本转音频，无需任何外部TTS服务或API Key。这意味着任何Claude Code用户都可以在30秒内将一段博客文章转化为可下载的播客音频。 **核心功能演示**：输入一篇3000字的博客文章，Skill自动将其分割为适合播客节奏的段落，通过浏览器TTS朗读并录制为MP3。支持语速调节（0.8x-1.5x）、音量控制和暂停恢复。虽然音质不如ElevenLabs的神经网络语音，但对于"快速内容分发"场景足够实用。 **评分详解**： - 功能完整度 ★★★★☆：功能简洁但够用，支持分段和语速控制 - 上手难度 ★★★★★：真正的零配置，安装即用 - 变现潜力 ★★★☆☆：音质限制变现空间，适合作为免费增值入口 - 训练营适用 ★★★★★：入门级最佳教学案例，1小时即可上手 - 社区活跃度 ★★★☆☆：个人维护项目，更新频率一般 **定位分析**：podcast不是ElevenLabs的竞品，而是"播客入门"的零门槛方案。适合内容创作者快速验证"文章转音频"的效果，验证后再升级到付费TTS服务。 --- ## 六、claude-music (ACE-Step)：终端里的AI音乐工作室 **来源**：[AgriciDaniel/claude-music](https://github.com/AgriciDaniel/claude-music) | **安装**：`npx skills add claude-music` claude-music是2026年音乐生成Skills中最具突破性的项目。底层采用ACE-Step 1.5——一个完全开源的音乐生成模型，在所有公开基准测试中超越了Suno和Udio。该Skill支持完整歌曲生成、翻唱、混音和编曲四种模式。 **核心功能演示**：`generate a 90s style lo-fi hip hop track, 2 minutes, with soft piano melody`——Claude Code接收到这条指令后，通过ACE-Step模型生成完整的立体声音频文件（WAV/MP3），包含旋律、和弦进行、鼓点和低音线。支持genre（爵士、电子、古典、流行等20+风格）、mood（欢快、忧伤、紧张等）、tempo（60-180 BPM）和时长（10秒-4分钟）的精细控制。 **评分详解**： - 功能完整度 ★★★★☆：支持生成+翻唱+混音，但实时编曲有限 - 上手难度 ★★★★☆：需GPU环境，但Skill封装了所有配置 - 变现潜力 ★★★★★：背景音乐市场$5-50/首，版权完全归属用户 - 训练营适用 ★★★★☆：适合AI音乐创作课程，2-3天教学 - 社区活跃度 ★★★★☆：ACE-Step生态活跃，Skill持续更新 **变现路径**：短视频背景音乐包（$29/50首）、游戏BGM定制（$200-1000/项目）、冥想/白噪音应用内容库（订阅制）。关键优势：ACE-Step完全开源，生成内容无版权纠纷。 --- ## 七、sora：OpenAI视频生成+配音一体化 **来源**：[fltman/claude-code-skill-sora-video](https://github.com/fltman/claude-code-skill-sora-video) | **安装**：`npx skills add sora` sora Skill将OpenAI的Sora视频生成API完整集成到Claude Code中，支持文本生成视频（text-to-video）、视频混音（remix）、批量生成（batch）、轮询状态（poll）和下载管理（download）五种核心操作。2026年5月，Sora 2 API虽然宣布将在9月关闭，但在过渡期内仍是最高质量的文本转视频方案。 **核心功能演示**：Skill的workflow决策树清晰定义了五种意图路由——`generate`（创建新视频）、`remix`（基于已有视频变体）、`status/download`（查询/下载）、`batch`（批量生成）。用户只需说"生成一段15秒的日落海滩航拍视频，电影级画质"，Skill自动组装API调用、选择模型（sora-1.0-turbo或sora-1.0）、设置分辨率（480p/720p/1080p）并异步等待结果。 **评分详解**： - 功能完整度 ★★★★★：覆盖Sora全部API功能，含批量和管理 - 上手难度 ★★★☆☆：需OPENAI_API_KEY和Sora API访问权限 - 变现潜力 ★★★★★：短视频/广告视频制作市场巨大 - 训练营适用 ★★★☆☆：API成本较高（$0.03-0.10/秒），教学成本大 - 社区活跃度 ★★★★★：OpenAI官方支持，社区生态丰富 **风险提示**：Sora 2 API将于2026年9月24日关闭，后续需迁移到替代方案（如Google Veo或Remotion Skill）。建议同时掌握remotion-video-creator作为后备方案。 --- ## 八、youtube-transcript + video-downloader：媒体采集双引擎 **来源**：[zerowing113/claude-youtube-skill](https://github.com/zerowing113/claude-youtube-skill) | **安装**：`npx skills add youtube-transcript` youtube-transcript和video-downloader构成媒体内容采集的基础设施层。前者使用yt-dlp提取YouTube视频字幕和元数据，后者负责视频/音频文件的下载和格式转换。两者组合使用可实现"视频→字幕→摘要→再创作"的完整内容管线。 **核心功能演示**：输入一个YouTube URL，youtube-transcript自动提取带时间戳的字幕文本（优先YouTube原生字幕，无字幕时回退到Whisper本地转录），然后生成结构化摘要——包含关键论点、时间线索引和引用来源。video-downloader则支持从YouTube、Bilibili、Twitter等10000+个平台下载视频/音频，支持格式选择（MP4/WEBM/MP3/M4A）和质量等级控制。 **评分详解**： - 功能完整度 ★★★★☆：字幕提取+下载覆盖主流场景 - 上手难度 ★★★★★：安装即用，依赖yt-dlp自动安装 - 变现潜力 ★★★★☆：内容再创作和信息整理的基础工具 - 训练营适用 ★★★★★：1小时即可教学的入门级Skill - 社区活跃度 ★★★★☆：yt-dlp生态成熟，Skills持续跟进 --- ## Skills生态语音音频分类全景 ```mermaid mindmap root((语音音频Skills生态)) 语音合成TTS LeanVox 三合一 ElevenLabs Voice Expert F5-TTS 本地离线 Fish Audio S2 Pro OpenAI TTS Cloud 浏览器Web Speech API 语音克隆 ElevenLabs Instant Clone ElevenLabs Pro Clone F5-TTS 10秒样本克隆 Fish Audio S2 Pro 语音转录STT Whisper Local claude-listen 会议纪要 audio-transcriber transcript-critic browser native STT 播客与音频 podcast 文本转播客 blog-audio 博客朗读 AI Voice Kit 本地套件 音乐生成 claude-music ACE-Step AI Music Production Sound Effect Generator 视频配音 sora OpenAI视频 content-to-video TTS+字幕 course-video-maker-zh 中文配音 Remotion 程序化视频 媒体采集 youtube-transcript video-downloader yt-dlp audio-extract 原生能力 Voice Mode /voice Voice Dictation Agent Audio Hooks ``` --- ## 推荐排行榜 ### 🏆 综合实力Top 3 | 排名 | 引擎 | 综合评分 | 一句话评价 | |------|------|---------|-----------| | 1 | LeanVox | 4.6 | 语音三合一统一入口，开箱即用的最佳选择 | | 2 | ElevenLabs Voice Expert | 4.5 | 音质天花板，专业级语音克隆首选 | | 3 | sora | 4.3 | 视频生成+配音一体化，内容生产终极引擎 | ### 💰 变现潜力Top 3 | 排名 | 引擎 | 变现方向 | 定价空间 | |------|------|---------|---------| | 1 | ElevenLabs Voice Expert | 配音SaaS/有声书 | $0.30/分钟 - $5000/项目 | | 2 | LeanVox | AI语音平台 | $29-99/月订阅 | | 3 | claude-music | 背景音乐/游戏BGM | $5-50/首 - $1000/项目 | ### 🎓 训练营教学Top 3 | 排名 | 引擎 | 教学时长 | 适合人群 | |------|------|---------|---------| | 1 | podcast | 1小时 | 零基础内容创作者 | | 2 | youtube-transcript | 1小时 | 研究人员/信息工作者 | | 3 | F5-TTS / claude-tts | 半天 | 有Python基础的开发者 | ### ⚡ 上手速度Top 3 | 排名 | 引擎 | 安装到运行 | 依赖要求 | |------|------|-----------|---------| | 1 | podcast | 30秒 | 无（浏览器TTS） | | 2 | youtube-transcript | 1分钟 | yt-dlp自动安装 | | 3 | LeanVox | 2分钟 | 仅需API Key | ### 🔒 隐私安全Top 3（本地运行） | 排名 | 引擎 | 完全离线 | 数据出站 | |------|------|---------|---------| | 1 | F5-TTS / claude-tts | ✅ | 零 | | 2 | claude-listen | ✅ | 零 | | 3 | podcast | ✅ | 零 | --- ## 关键趋势与洞察 **趋势一：开源TTS逼近商用水平。** Fish Audio S2 Pro在2026年Q1的盲测中以67%胜率击败ElevenLabs，标志着开源TTS已进入"足够好"的区间。对于预算有限的创业者和教育场景，F5-TTS + claude-tts-skill的组合提供了零成本的可行路径。 **趋势二：语音Skills从单点工具走向平台化。** LeanVox的TTS+STT+Clone三合一架构代表了新的设计范式——不再是一个Skill只做一件事，而是一个Skill覆盖语音全链路。这种"Swiss Army Knife"模式正在被其他领域效仿。 **趋势三：音乐生成成为新蓝海。** ACE-Step 1.5的开源使AI音乐生成从"黑箱API调用"变为"本地可控创作"。音乐版权归属的明确性（开源模型生成内容归用户）为商业化扫清了障碍，短视频BGM、游戏配乐、冥想音频三个细分市场已出现明确的付费需求。 **趋势四：Sora API关闭倒逼生态分化。** OpenAI宣布Sora 2 API将于2026年9月关闭，这迫使Skills生态加速向Remotion（程序化视频）和Google Veo（AI生成视频）迁移。对于视频创作者，当前是掌握Remotion Skill的最佳窗口期。 **趋势五：会议纪要成为企业级刚需。** claude-listen代表的本地转录方案解决了企业对数据隐私的核心顾虑。说话人分离（Diarization）精度的持续提升（2026年DER已低于8%）使自动会议纪要在多人场景中真正可用，Otter.ai级别的产品可以用Claude Code Skills以十分之一的成本复刻。 --- ## 参考来源 1. [LeanVox Agent Skill: Add TTS to Claude Code, Cursor, and 37+ AI Agents](https://leanvox.com/blog/leanvox-agent-skill) — LeanVox三合一语音Skill官方发布说明 2. [Fish Audio Blind TTS Provider Comparison 2026](https://fish.audio/blog/blind-tts-provider-comparison-2026/) — 开源TTS vs ElevenLabs盲测结果 3. [Claude Code Video Skills: A Developer's Practical Guide to All 6 Options (2026)](https://dev.to/hiy_dev/claude-code-video-skills-a-developers-practical-guide-to-all-6-options-2026-4f40) — 视频生成Skills全景对比 4. [claude-music: AI music production skill powered by ACE-Step 1.5](https://agricidaniel.com/blog/claude-music-ai-production) — AI音乐Skill技术解析 5. [ElevenLabs v3 Voice Cloning: Complete Creator Guide 2026](https://www.versely.studio/blog/elevenlabs-v3-voice-cloning-complete-guide-2026) — ElevenLabs v3克隆能力深度评测 > [!tip] 51学通信知识星球 > **星主：爱卫生**（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 > **星球定位**：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 > **当前规模**：5200 篇主题 / 990 个回答，198 元/年。 > **加入福利**：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 > **AI 加持**：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。