How do I install the Audio Master skill?

Run npx skillmds@latest add ksmaster03/audio-master in your terminal (requires Node.js), paste this page's agent-chat prompt into Claude, Cursor, or any MCP-connected agent, or download the SKILL.md file and copy it into your agent's skills directory.

Is Audio Master safe to use?

This skill has not completed SkillMD's automated safety review yet. SkillMD never runs a skill's scripts for you; review the SKILL.md before installing.

Which AI agents work with Audio Master?

This skill is tagged as working with Claude Code, Claude.ai, OpenAI Codex. SKILL.md is an open format, so most agents that read a skills directory can load it too.

Is Audio Master free to use?

Yes. Installing skills from SkillMD is free, and the skill stays under its author's original license.

Who published Audio Master?

ksmaster03 (@ksmaster03) published this skill. Their other Agent Skills are listed on their SkillMD profile.

Audio Master by ksmaster03 — Agent Skill

Name: Audio Master
Author: ksmaster03

Audio Master

Remaster / master เสียงเพลงหรือ audio ให้ดัง เนียน เหมือนเพลงค่าย ด้วย Matchering 2.0 (reference-based mastering, CPU-only, pip) — เลือกเพลง reference ที่ master มาดีแนวเดียวกัน แล้ว match RMS/EQ/peak/stereo width อัตโนมัติ. Trigger เมื่อผู้ใช้พิมพ์ /audio-master หรือขอ "remaster เสียง / master เพลง / ทำให้เพลงดังขึ้น-เนียนขึ้น / เสียงเบา-บาง ช่วยปรับ / mastering / จูนเสียงเพลงให้เหมือนเพลงค่าย".

ksmaster03 Updated Sep 21, 2026

File contents

/audio-master — Reference-based mastering ด้วย Matchering 2.0

ทดสอบบน Windows 11 (CPU-only, ไม่ต้องมี NVIDIA GPU). พิสูจน์แล้วกับเพลง Suno "หมด token เหมือนหมดลม" (2026-07-15): master 3:15 เสร็จใน ~1 นาทีบน CPU.

เครื่องมือ

Matchering 2.0 (pip install matchering — ติดตั้งแล้วใน Python 3.12 หลัก, v2.0.6, GPLv3, github.com/sergree/matchering). Pure NumPy/SciPy DSP — ไม่ใช้ neural net, เร็ว, deterministic, ไม่มีปัญหา Smart App Control (รันผ่าน python ปกติ).
หลักการ: วิเคราะห์เพลง reference (เพลงค่ายที่ master มาดี) แล้วปรับ target ให้ RMS / frequency response / peak / stereo width เท่ากัน. ผลลัพธ์ = ดังเท่าเพลงค่าย โทนสมดุล.

ขั้นตอน

เลือก reference — สำคัญที่สุด. เพลงแนว/พลังงานเดียวกับ target ที่ master เชิงพาณิชย์แล้ว. แหล่งในเครื่อง: $MEDIA/bgm\*.mp3 (YouTube Audio Library, master มาดี — เช่น "Everything (feat. Rodina & Alfie Tito)" = upbeat pop มี vocal). หรือให้ผู้ใช้ชี้เพลงอ้างอิงเอง.
รัน (target/reference รับ mp3/wav ได้ตรงๆ):
```
import matchering as mg
mg.log(print)
mg.process(
    target=r"<เพลงต้นฉบับ>",
    reference=r"<เพลงอ้างอิง>",
    results=[mg.pcm24(r"<out>_master_24bit.wav"),
             mg.pcm16(r"<out>_master_16bit.wav")],
)
```
ใช้ 24-bit ต่องานตัดต่อ/MV, 16-bit สำหรับแจกจ่าย. ต้องการ mp3 ก็ encode ต่อด้วย ffmpeg (-c:a libmp3lame -b:a 320k).
QA: ffmpeg -i out.wav -af volumedetect -f null - → mean_volume ควรขยับขึ้นจาก target เดิม อย่างมีนัย (เช่น -14 → -9 dB) และ max ~0 dB โดยไม่แตก; ฟังเทียบ A/B ช่วง chorus.

Gotchas

⛔ target กับ reference เป็นไฟล์เดียวกัน/เพลงเดียวกันไม่ได้ — matchering จะ error โดยตั้งใจ.
reference แนวไม่ตรง (เช่น EDM หนักเบสกับเพลงโฟล์ค) → โทนเพี้ยน; เลือกแนวใกล้กันเสมอ.
Matchering กู้ความถี่ที่ mp3 บีบหายไปไม่ได้ (เป็น DSP ไม่ใช่ generative) — ถ้าต้นฉบับ 192kbps แตกมาก พิจารณา Apollo (JusperLee/Apollo, ผ่าน jarredou/Apollo-Colab-Inference รัน CPU ได้ ~2-10 นาที/เพลง) restore ก่อนแล้วค่อย master.
ทางลัดไม่มี reference: ffmpeg -af loudnorm=I=-9:TP=-1:LRA=8 = ดังขึ้นอย่างเดียว ไม่ปรับโทน.
อย่าใช้ resemble-enhance / DeepFilterNet กับเพลง — เป็นโมเดล speech จะพังเสียงดนตรี.

---name: audio-masterdescription: Remaster / master เสียงเพลงหรือ audio ให้ดัง เนียน เหมือนเพลงค่าย ด้วย Matchering 2.0 (reference-based mastering, CPU-only, pip) — เลือกเพลง reference ที่ master มาดีแนวเดียวกัน แล้ว match RMS/EQ/peak/stereo width อัตโนมัติ. Trigger เมื่อผู้ใช้พิมพ์ /audio-master หรือขอ "remaster เสียง / master เพลง / ทำให้เพลงดังขึ้น-เนียนขึ้น / เสียงเบา-บาง ช่วยปรับ / mastering / จูนเสียงเพลงให้เหมือนเพลงค่าย".---# /audio-master — Reference-based mastering ด้วย Matchering 2.0ทดสอบบน Windows 11 (CPU-only, ไม่ต้องมี NVIDIA GPU). พิสูจน์แล้วกับเพลง Suno"หมด token เหมือนหมดลม" (2026-07-15): master 3:15 เสร็จใน ~1 นาทีบน CPU.## เครื่องมือ- **Matchering 2.0** (`pip install matchering` — ติดตั้งแล้วใน Python 3.12 หลัก, v2.0.6, GPLv3, github.com/sergree/matchering). Pure NumPy/SciPy DSP — ไม่ใช้ neural net, เร็ว, deterministic, ไม่มีปัญหา Smart App Control (รันผ่าน python ปกติ).- หลักการ: วิเคราะห์เพลง **reference** (เพลงค่ายที่ master มาดี) แล้วปรับ **target** ให้ RMS / frequency response / peak / stereo width เท่ากัน. ผลลัพธ์ = ดังเท่าเพลงค่าย โทนสมดุล.## ขั้นตอน1. **เลือก reference** — สำคัญที่สุด. เพลงแนว/พลังงานเดียวกับ target ที่ master เชิงพาณิชย์แล้ว. แหล่งในเครื่อง: `$MEDIA/bgm\*.mp3` (YouTube Audio Library, master มาดี — เช่น "Everything (feat. Rodina & Alfie Tito)" = upbeat pop มี vocal). หรือให้ผู้ใช้ชี้เพลงอ้างอิงเอง.2. **รัน** (target/reference รับ mp3/wav ได้ตรงๆ): ```python import matchering as mg mg.log(print) mg.process( target=r"<เพลงต้นฉบับ>", reference=r"<เพลงอ้างอิง>", results=[mg.pcm24(r"<out>_master_24bit.wav"), mg.pcm16(r"<out>_master_16bit.wav")], ) ``` ใช้ 24-bit ต่องานตัดต่อ/MV, 16-bit สำหรับแจกจ่าย. ต้องการ mp3 ก็ encode ต่อด้วย ffmpeg (`-c:a libmp3lame -b:a 320k`).3. **QA**: `ffmpeg -i out.wav -af volumedetect -f null -` → mean_volume ควรขยับขึ้นจาก target เดิม อย่างมีนัย (เช่น -14 → -9 dB) และ max ~0 dB โดยไม่แตก; ฟังเทียบ A/B ช่วง chorus.## Gotchas- ⛔ target กับ reference เป็น**ไฟล์เดียวกัน/เพลงเดียวกัน**ไม่ได้ — matchering จะ error โดยตั้งใจ.- reference แนวไม่ตรง (เช่น EDM หนักเบสกับเพลงโฟล์ค) → โทนเพี้ยน; เลือกแนวใกล้กันเสมอ.- Matchering กู้ความถี่ที่ mp3 บีบหายไปไม่ได้ (เป็น DSP ไม่ใช่ generative) — ถ้าต้นฉบับ 192kbps แตกมาก พิจารณา **Apollo** (JusperLee/Apollo, ผ่าน jarredou/Apollo-Colab-Inference รัน CPU ได้ ~2-10 นาที/เพลง) restore ก่อนแล้วค่อย master.- ทางลัดไม่มี reference: `ffmpeg -af loudnorm=I=-9:TP=-1:LRA=8` = ดังขึ้นอย่างเดียว ไม่ปรับโทน.- อย่าใช้ resemble-enhance / DeepFilterNet กับเพลง — เป็นโมเดล speech จะพังเสียงดนตรี.

Frequently asked questions