MCP Tools
语音与音频
文字转语音、播客、声音选择——ListenHub 与 ElevenLabs。
把文字变成语音：单人朗读，或双人对话播客。两家 provider 各有所长。
你能做什么
- 单人朗读（TTS）——ListenHub 提供丰富中文音色；ElevenLabs 支持 29 种语言且可精细控制。
- 双人对话播客——ListenHub 一步生成脚本 + 音频，支持 1-2 个 speaker（ListenHub 独家）。
- 从声音库选音色——按语言、性别、风格浏览可用声音并选择。
- 控制表现（ElevenLabs）——通过 voice settings 与内嵌标记控制情绪、节奏、停顿。
怎么选 provider
ListenHub (listenhub_*) | ElevenLabs (elevenlabs_*) | |
|---|---|---|
| 最擅长 | 中文音色、多人对话播客 | 29 种语言、单人情绪表现力 |
| 每段 speaker 数 | 1–2（播客） | 1 |
| 精细声音控制 | — | stability / 相似度 / 风格 / 语速 |
| 情绪与停顿 | — | <break> + [laughs] 等标记（配 eleven_v3） |
一句话：中文、或多人播客 → ListenHub；英文/其他语言，或需要情绪、节奏、停顿控制 → ElevenLabs。
ListenHub 工具
| 工具 | 用途 | 关键入参 |
|---|---|---|
listenhub_get_speakers | 列出可用 speaker（含试听） | language（zh 默认 / en） |
listenhub_create_flowspeech | 文字/URL → 单人朗读 | sourceType（text/url）、sourceContent、speakerId、mode（smart/direct） |
listenhub_create_podcast | 文字/URL → 1-2 人播客（脚本+音频） | query 或 sources、speakers（1–2）、mode（quick/deep/debate） |
listenhub_create_podcast_text_only | 仅生成脚本——先审稿再合成 | 同上，外加 language |
listenhub_generate_podcast_audio | 把（改过的）脚本合成音频 | episodeId、customScripts（可选改稿） |
listenhub_get_podcast_status / listenhub_get_flowspeech_status | 查任务状态 | episodeId |
listenhub_get_user_subscription | 查配额 | — |
create_* 工具返回成品音频——它们会等到生成完成，所以你不用轮询。*_status 工具只在异常后复查、或回查历史 episode 时才用。
speakerId 可以直接传 speaker 的名字（来自 listenhub_get_speakers），系统会自动解析。
ElevenLabs 工具
| 工具 | 用途 | 关键入参 |
|---|---|---|
elevenlabs_search_voices | 浏览可用声音 | — |
elevenlabs_text_to_speech | 文字 → 选定音色的语音 | text、voice_id、model_id、voice_settings、output_format |
elevenlabs_list_models | 列出 TTS 模型 | — |
elevenlabs_check_subscription | 查配额 | — |
voice_id 必须用 elevenlabs_search_voices 返回的精确 ID，不能用人类名字。
model_id 可选：eleven_multilingual_v2（默认，29 语言）、eleven_v3（情绪标记效果最好）、eleven_turbo_v2_5 / eleven_flash_v2_5（低延迟）。
voice_settings（可选，精细调音）：stability（0–1，越低越有起伏）、similarity_boost（0–1）、style（0–1）、speed（0.7–1.2）。
在 Skill 里怎么用
- 先查声音。 调
listenhub_get_speakers或elevenlabs_search_voices，再把 ID 传进去。别让用户凭空猜声音名。 - 别写轮询循环。 ListenHub
create_*工具已经等到完成才返回。让 Agent"每隔几秒查一次状态"是反模式。 - 内嵌标记只对 ElevenLabs 生效。 直接写在
text里：停顿Hello.<break time="1.5s"/>World.；情绪/音效[laughs][whispers]（配model_id: "eleven_v3"）。ListenHub 音色会把这些按字面读出来——别在那边插。 - 批量朗读合并成一次调用。 多句时合并到单次调用，让音频连续，而不是一句一调。
写在 SKILL.md 里的 prose 示例：
For expressive English narration, use elevenlabs_text_to_speech. First call
elevenlabs_search_voices to choose a voice_id matching the tone. For emotional
delivery, set model_id to "eleven_v3" and embed tags like [laughs] or
<break time="1s"/> directly in the text.