# Audio Domain > 音频领域路由器（占位符）— 待扩展。 计划覆盖：音乐创作 / 播客制作 / 声音设计 / 音效合成。 当前状态：规划中，等待AI音频生成技术进一步成熟。 - Skill: `shenweihuan/audio-domain` (Agent Skill) - Install (CLI): `npx skillmds@latest add shenweihuan/audio-domain` - Raw SKILL.md: https://api.skillmd.com/api/skills/shenweihuan/audio-domain/raw - Safety review: pending - Works with: Claude Code, Claude.ai, OpenAI Codex - Category: Coding & Dev Tools - Author: shenweihuan (https://skillmd.com/u/shenweihuan) - Updated: 2026-09-17 - Page: https://skillmd.com/skills/shenweihuan/audio-domain --- # 🎵 音频领域 — Audio Domain > **⚠️ 本领域当前为占位状态，正在规划和建设中。** > **音频创作是AIGC Creative Skills v3的下一个重要扩展方向。** --- ## 当前状态：🚧 规划中 (Planned) ``` ┌─────────────────────────────────────────────────────────────┐ │ │ │ 🎵 音频领域 │ │ │ │ ⚠️ COMING SOON ⚠️ │ │ │ │ 本领域正在积极规划中，预计在以下条件成熟后正式开放： │ │ │ │ ✅ AI音乐生成技术达到可用水平 │ | ✅ AI语音合成质量满足专业需求 │ | ✅ 完成足够的大师级品味框架研究 │ | ✅ 构建完整的感知训练体系 │ │ │ │ 预计时间窗口：2026-2027年 │ │ │ └─────────────────────────────────────────────────────────────┘ ``` --- ## 为什么音频领域还在"占位"？ ### 技术成熟度评估 与其他四个领域的对比： | 领域 | AI技术成熟度 | 可用性 | v3 覆盖状态 | |------|------------|-------|------------| | **视觉艺术** | ★★★★★ (非常成熟) | Midjourney/DALL-E/SD 已广泛使用 | ✅ 完成 (12个技能) | | **写作文学** | ★★★★★ (非常成熟) | ChatGPT/Claude 已达到专业水平 | ✅ 完成 (9个技能) | | **影视视频** | ★★★★☆ (快速进步中) | Seedance/Runway/Kling 可用于片段 | ✅ 完成 (7个技能) | | **设计** | ★★★★☆ (成熟) | 图像生成 + 设计工具链完善 | ✅ 完成 (6个技能) | | **音频** | ★★★☆☆ (发展中) | 音乐/语音有突破但未达"大师协作"级别 | 🚧 占位 | ### 音频创作的特殊挑战 ``` 1. 时间维度的复杂性 - 音乐是多轨时间流的精确同步 - 比视频更抽象（没有视觉锚点） - 结构和和声需要深层理解 2. 主观性更强 - "好听"比"好看"更难定义 - 文化和个人偏好差异巨大 - 缺乏通用的"评价标准" 3. 技术限制 - AI音乐生成的连贯性和可控性仍有限 - 语音合成的情感表达不够自然 - 音效设计的精确控制困难 - 多轨混音的AI自动化程度低 4. 版权和法律问题 - AI训练数据的版权争议更大（音乐产业保护意识强） - 声音克隆的伦理问题 - 商业使用的法律边界不清晰 ``` --- ## 计划中的方向（Roadmap） 尽管尚未正式开放，我们已经完成了初步规划。以下是计划覆盖的方向： ### 🎼 一级子目录规划 ``` domains/audio/ ├── music/ # 音乐创作 │ ├── classical/ # 古典音乐方向 │ │ ├── bach-counterpoint # 巴赫·对位法 │ │ └── romantic-piano # 浪漫派钢琴 │ ├── modern/ # 现代音乐方向 │ │ ├── jazz-improv # 爵士即兴 │ │ ├── electronic-ambient # 电子氛围 │ │ └── rock-production # 摇滚制作 │ └── film-score # 电影配乐 │ ├── hans-zimmer-epic # 汉斯·季默·史诗配乐 │ └── piano-melancholy # 忧郁钢琴（久石让风格） │ ├── podcasting/ # 播客与有声内容 │ ├── narrative-storytelling # 叙事型播客 │ └── interview-conversation # 对话型播客 │ ├── sound-design/ # 声音设计 │ ├── foley-artistry # 拟音艺术 │ └── atmospheric-soundscape # 氛围声景 │ └── voice/ # 语音与合成 ├── tts-narration # 有声书/旁白 └── vocal-synthesis # 歌声合成 ``` ### 📋 计划中的原子技能（首批） #### 音乐创作 Music (`music/`) | 计划技能名 | 大师/风格 | 预期定位 | 关键挑战 | |-----------|----------|---------|---------| | `bach-counterpoint` | J.S.巴赫 · 对位法 | 复调音乐的逻辑之美 | AI需要理解和声/复调理论 | | `romantic-chopin` | 肖邦 · 浪漫派钢琴 | 情感的极致表达 | 需要捕捉演奏的细微动态 | | `jazz-miles-davis` | 迈尔斯·戴维斯 · 爵士即兴 | 即兴的艺术 | 即兴性的AI模拟极难 | | `electronic-brian-eno` | 布莱恩·伊诺 · 氛围音乐 | 生成系统与偶然性 | 可能是最适合AI的音乐类型 | | `film-score-hans-zimmer` | 汉斯·季默 · 史诗配乐 | 情绪的管弦乐工程 | 多轨编排的复杂性 | | `anime-joe-hisaishi` | 久石让 · 动画配乐 | 旋律的记忆点 | 与视觉叙事的配合 | #### 播客 Podcasting (`podcasting/`) | 计划技能名 | 类型 | 预期定位 | 关键挑战 | |-----------|------|---------|---------| | `narrative-this-american-life` | 叙事型播客（This American Life式） | 用声音讲故事 | 声音剪辑的艺术 | | `conversation-joe-rogan` | 对话型播客（长对话式） | 对话的能量管理 | 自然对话的节奏感 | #### 声音设计 Sound Design (`sound-design/`) | 计划技能名 | 类型 | 预期定位 | 关键挑战 | |-----------|------|---------|---------| | `foley-classic` | 经典拟音 | 用日常物品创造世界 | 创造力和拟音技巧 | | `soundscape-nature` | 自然声景 | 环境音的氛围营造 | 层次感和空间感 | #### 语音 Voice (`voice/`) | 计划技能名 | 类型 | 预期定位 | 关键挑战 | |-----------|------|---------|---------| | `audiobook-calm` | 平静叙述型有声书 | 沉浸式阅读体验 | 情感表达的微妙控制 | | `character-voice` | 角色配音 | 多角色声音塑造 | 声音的一致性和辨识度 | --- ## 临时替代方案（当前可用的音频相关能力） 虽然本领域尚未正式开放，但你仍然可以通过以下方式处理音频相关的创作需求： ### 方案1：跨域借用（推荐） ``` 如果你需要： → 背景音乐建议 → 使用 film-video/ 的技能（电影配乐部分会涉及音乐讨论） → 声音氛围描述 → 使用 writing/ 的技能（用文字描述声音场景） → 歌词创作 → 使用 poetry/ 或 prose/ 的技能（文字是声音的基础） → 播客脚本 → 使用 screenplay/ 或 copywriting/ 的技能（结构化写作） ``` ### 方案2：使用通用AI工具 当前可用的AI音频工具（非本系统集成）： | 工具类型 | 代表产品 | 适用场景 | 局限性 | |---------|---------|---------|-------| | AI音乐生成 | Suno / Udio / Google MusicLM | 短片段背景音乐/实验 | 风格控制粗糙，难以精调 | | AI语音合成 | ElevenLabs / Azure TTS / ChatTTS | 有声书/配音/播客 | 情感表达仍不够自然 | | AI音效 | AudioLDM / Stable Audio | 音效素材生成 | 控制精度低 | | AI歌词辅助 | ChatGPT / Claude | 歌词创作 | 无旋律配合能力 | ### 方案3：传统工作流 + AI辅助 ``` 对于严肃的音频项目，当前最佳实践仍是： 1. 人类创作核心（旋律/歌词/概念） 2. AI辅助： - 灵感生成（AI提供多个起点） - 编曲建议（和弦进行/配器方案） - 混音参考（AI分析参考曲目参数） 3. 人类最终决策和精细调整 4. 专业软件执行（DAW / 插件） 这不是"AI替代人类"，而是"AI加速人类的迭代过程"。 ``` --- ## 我们正在关注的技术进展 以下是判断"何时正式开放音频领域"的关键指标： ### 必须满足的门槛条件 ``` □ AI音乐生成能够： ✓ 生成2分钟以上连贯的作品（不是15秒循环） ✓ 遵循指定的风格和情绪（不只是随机输出） ✓ 支持多轨分离编辑（人声/贝斯/鼓等独立控制） ✓ 允许精细的参数调整（速度/调性/乐器配置） ✓ 输出质量达到商业发布标准（或接近） □ AI语音合成能够： ✓ 表达复杂的情感（不仅是"开心/悲伤"这种粗粒度） ✓ 维持长文本的一致性角色声音 ✓ 支持自然的韵律和呼吸感 ✓ 允许风格迁移（模仿特定演员/播音员的声音特征） ✓ 解决声音克隆的伦理和法律问题 □ AI音效设计能够： ✓ 根据描述生成准确的音效（不只是近似） ✓ 支持空间定位（立体声/环绕声/3D音频） ✓ 允许动态变化（不是静态样本） ✓ 与视频同步（自动匹配画面节奏） ``` ### 正在密切跟踪的项目/技术 | 技术/公司 | 最新进展 | 对本系统的意义 | |----------|---------|--------------| | **Suno v3/v4** | 音乐生成质量和长度持续提升 | 可能成为音乐技能的首选平台 | | **ElevenLabs Turbo** | 语音合成速度和质量提升 | 有望成为语音技能的基础设施 | | **Google MusicLM / MusicFX** | 谷歌在音乐AI上的投入 | 技术验证的重要参考 | | **Stable Audio (Stability AI)** | 开源音频模型 | 可能支持本地部署和定制化 | | **Meta AudioCraft** | Meta的多功能音频模型 | 一站式音乐+音效+语音的可能性 | | **Anthropic/GPT音频能力** | 大模型厂商进入音频领域 | 可能带来"语言+音频"的统一理解 | --- ## 你现在可以做什么？ ### 如果你是音频创作者 ``` 1. 继续使用现有工具（上述"临时替代方案"） 2. 关注本领域的更新（我们会在总控 SKILL.md 中标注进度） 3. 参与我们社区的建设： - 分享你使用AI音频工具的经验 - 提出你希望看到的技能方向 - 协助测试未来的beta版本 4. 先从其他领域入手： - 学习 writing/ 的技能提升歌词/脚本能力 - 学习 film-video/ 的技能理解视听配合 - 这些都会在音频领域开放后成为你的优势 ``` ### 如果你是开发者/研究者 ``` 1. 如果你正在开发AI音频工具，我们很乐意合作： - 提供品味框架作为"上层指导" - 测试你的技术在真实创作场景的表现 - 共同定义"AI音频大师"的工作模式 2. 如果你想贡献内容： - 音乐理论和美学的研究 - 特定风格的深度分析（如：如何定义"爵士味"） - 感知训练方法的设计（如：如何训练耳朵） - 评价标准的建立（如：什么是"好的人声"） 3. 联系方式：通过主仓库 Issues 或 Discussions 提出 ``` --- ## 预览：音频领域的设计哲学（草案） 虽然还未实现，但我们已经形成了对音频领域的核心理解： ### 音频创作的本质 ``` 视觉艺术：空间的艺术（眼睛扫描平面/体积） 写作文学：时间的艺术（线性阅读） 影视视频：时空艺术（时间流中的空间呈现） 设计：解决问题的艺术（功能导向的美学） 音频：纯粹的时间艺术（无形、不可逆、直接作用于情感） 音频的特殊性： ✗ 没有视觉锚点（纯听觉体验） ✗ 不可逆的时间流（不能像绘画那样反复观看细节） ✗ 直接的情感通道（绕过理性思考，直达边缘系统） ✗ 物理性（声波是真实的物理振动，会引起生理反应） ✗ 文化的普遍性（音乐可能是最普世的"语言"） 因此，音频领域的技能设计必须： 1. 强调"时间感知训练"（比其他领域更重要） 2. 建立"情感映射系统"（音乐元素→情感反应的科学对应） 3. 发展"非视觉的想象力"（用耳朵"看到"声音的空间） 4. 尊重文化和个人差异（避免单一标准） 5. 与其他领域深度整合（尤其是film-video的视听配合） ``` ### 计划中的AI音频大师 ``` ai-audio-master（规划中） 核心能力： - 全平台音频生成专家（Suno/Udio/ElevenLabs/AudioLDM） - 音乐理论与提示词工程的桥梁 - 自动混音和母带处理引擎 - 多轨编排助手 - 声音设计顾问 工作模式（参考其他AI大师的四模式）： A 教学模式：音乐理论基础/DAW操作指南/听音训练方法 B 评价模式：多维度音频评分/频率分析/动态范围诊断 C 工作流模式：完整音乐制作流程/播客生产管线/声音设计流程 D 自动迭代模式：生成→听评→修改→再生成的循环（针对音乐特别优化） 特殊挑战： - 如何建立"音频版的自检清单"？（视觉可以截图对比，音频呢？） - 如何量化"好听"？（主观性太强） - 如何处理版权？（音乐产业的特殊性） ``` --- ## 时间线展望（非承诺，仅供参考） ``` 2025 Q3-Q4: ├── 完成本领域的详细规划文档 ├── 开始构建第一批1-2个实验性技能（可能是electronic-ambient） ├── 建立音频感知训练的原型 └── 开启小范围内测 2026: ├── 如果技术达标：正式开放 music/ 的2-3个技能 ├── 发布 ai-audio-master 的alpha版本 ├── 开始 podcasting/ 和 sound-design/ 的建设 └── 收集用户反馈，快速迭代 2027: ├── 目标：达到与其他4个领域相当的覆盖度 ├── 完整的6大领域协同工作流 └── AIGC Creative Skills v3 "完整版" ``` --- ## 最后的话 > **音频是人类最古老的艺术形式之一——早在绘画之前，我们的祖先就在火堆旁歌唱了。** > > **我们不急于开放这个领域，是因为我们对它怀有敬畏。** > > **当我们最终开放时，它不会是一个"能用就行"的工具集合，而会是一个真正能帮助你** > **"像巴赫一样思考对位法"、"像汉斯·季默一样构建史诗"、** > **"像布莱恩·伊诺一样拥抱偶然性"的品味训练系统。** > > **请给我们一点时间。好的事情值得等待。🎵** --- **相关链接：** - 总控入口：`../SKILL.md` (AIGC Creative Skills v3) - 其他已开放的领域： - 🎨 视觉艺术：`../visual/SKILL.md` - ✍️ 写作文学：`../writing/SKILL.md` - 🎬 影视视频：`../film-video/SKILL.md` - 💡 设计：`../design/SKILL.md` **最后更新：2025年（v3.0.0 初始版本，占位状态）**