「audio」の検索結果

Transform audio recordings into professional Markdown documentation with intelligent summaries using LLM integration

日本語の概要は準備中です。原文の説明を表示しています。

Generate spectrograms and audio feature visualizations (mel, chroma, MFCC, tempogram, etc.) from audio files via CLI. Useful for audio analysis, music production debugging, and visual documentation.

日本語の概要は準備中です。原文の説明を表示しています。

Use ACE-Step API to generate music, edit songs, and remix music. Supports text-to-music, lyrics generation, audio continuation, and audio repainting. Use this skill when users mention generating music, creating songs, music production, remix, or audio continuation.

日本語の概要は準備中です。原文の説明を表示しています。

FaceTimeの内部状態や発信準備を確認し、設定済みの所有者宛てに承認付きで音声・ビデオ通話を発信したり、通話の終了をリクエストしたりします。

• 通話の内部状態と発信準備の確認
• 設定済みの所有者へ音声通話したいとき
• 明示的にビデオ通話を頼みたいとき

文章をローカル環境で読み上げ音声に変換し、WAVファイルに保存します。sherpa-onnxの音声モデルを使い、クラウドに接続せずに音声を生成します。

• 文章をWAV音声に保存したいとき
• クラウド接続なしで音声を作りたいとき
• 音声モデルを替えて声を選びたいとき

ElevenLabsで文章を音声に変え、手元で再生したり音声ファイルに保存したりするスキル。声の選択に加え、発音や間、ささやきなどの話し方も調整します。

• 文章を手元で読み上げたいとき
• 音声での返答をファイルに保存
• 読み上げる声を選んで確認

Eight SleepのPodの状態確認や電源・温度調整をエージェントに頼めるスキル。アラームとスケジュールの管理、音声再生やベースの角度操作にも対応します。

• Podの状態確認と電源操作
• Podの温度を調整したいとき
• アラームの一覧確認・作成・解除

動画・音声をVideoDBに取り込み、発話や映像から場面を検索して切り抜きを作成。字幕や音声の追加、画面比率の変換、ライブ映像の通知設定も支援します。

• 発話や映像から場面を探して切り抜きたいとき
• 字幕・BGM・吹き替えの追加
• 動画の解像度や画面比率の変更

画像・動画の生成やAI検索など、150以上のクラウドAIアプリを共通のコマンドで探して実行します。ローカルの画像や音声を使う加工・生成にも対応します。

• 文章から画像を生成したいとき
• 手元の画像を動画にしたいとき
• 写真と音声でアバター動画を作りたいとき

Generate spoken audio from text using OpenAI's API with built-in voices. Useful for narrated explainers, lecture audio, and quick voiceover tracks.

日本語の概要は準備中です。原文の説明を表示しています。

Use when reviewing rendered HTML, interactive components, or design-system patterns related to Provide audio descriptions for video. Check native semantics first, then inspect keyboard behavior, focus flow, accessible names, and screen-reader output where relevant.

日本語の概要は準備中です。原文の説明を表示しています。

Turn supplied text into spoken audio, single or multi-speaker. For composed audio content (a podcast, briefing, or narrated summary), use podcast.

日本語の概要は準備中です。原文の説明を表示しています。

Use when the user has a music track (an audio file, or a video to pull audio from) and wants a beat-synced HyperFrames video, calm to hard-hitting. The music drives everything: one analyzer reads it once, the orchestrator lays out the frames and fills a per-frame plan, and one sub-agent builds each frame. Typography and templates are the floor — a complete video needs zero assets — but any images or videos the user supplies are cut into the frames on the same beat grid (beat-cut / ken-burns). The genre (lyric video, slideshow, kinetic promo) falls out of the per-frame choices; the pipeline never branches on it.

日本語の概要は準備中です。原文の説明を表示しています。

Generate 4-30 second cinematic video with ByteDance Seedance 2.5 through fal.ai, Volcengine Ark, Runway, or ComfyUI Partner Nodes. Use for long single generations, synchronized audio, and large multimodal reference sets (up to 30 images, 10 videos, and 10 audio clips). Also covers the 2.5 prompt contract: section order, multi-shot "Hard cut" breakdown, named locks for continuity across cuts, the asset and character-sheet method, voice conditioning, and iteration discipline.

日本語の概要は準備中です。原文の説明を表示しています。

Generate cinematic clips with ByteDance Seedance 2.0 — the preferred premium video model in OpenMontage when a paid gateway is configured. Use when: (1) producing trailers, teasers, hype edits, or premium cinematic clips, (2) needing native synchronized audio (speech, SFX, ambience) in a single pass, (3) needing multi-shot cuts inside one generation, (4) needing director-level camera control, (5) needing lip-sync from quoted dialogue in the prompt, (6) needing reference-conditioned generation with up to 9 images + 3 video clips + 3 audio clips, (7) wanting consistent character identity across shots. Accessible via fal.ai (`seedance_video` tool), HeyGen (Video Agent / Avatar Shots), Replicate, Runway (Enterprise, non-US), Freepik, BytePlus ModelArk, Higgsfield, Pollo, and other aggregators.

日本語の概要は準備中です。原文の説明を表示しています。

Generate sound effects from text descriptions using ElevenLabs. Use when creating sound effects, generating audio textures, producing ambient sounds, cinematic impacts, UI sounds, or any audio that isn't speech. Supports looping, duration control, and prompt influence tuning.

日本語の概要は準備中です。原文の説明を表示しています。

Transcribe audio to text using ElevenLabs Scribe v2. Use when converting audio/video to text, generating subtitles, transcribing meetings, or processing spoken content.

日本語の概要は準備中です。原文の説明を表示しています。

Download video and audio from YouTube and 1000+ sites using yt-dlp. No API keys needed. Use when: (1) Downloading a video from YouTube or other sites, (2) Extracting audio from a video URL, (3) Downloading subtitles/captions from a video, (4) Getting video metadata without downloading.

日本語の概要は準備中です。原文の説明を表示しています。

Generate AI voiceovers, sound effects, and music using ElevenLabs APIs. Use when creating audio content for videos, podcasts, or games. Triggers include generating voiceovers, narration, dialogue, sound effects from descriptions, background music, soundtrack generation, voice cloning, or any audio synthesis task.

日本語の概要は準備中です。原文の説明を表示しています。

Edit videos locally using ffmpeg. Trim, concat, resize, speed, overlay, extract audio, compress, and convert. Use when: (1) Trimming or cutting video segments, (2) Concatenating multiple clips, (3) Resizing video for social platforms, (4) Extracting or replacing audio, (5) Compressing video, (6) Converting video formats, (7) Getting video info.

日本語の概要は準備中です。原文の説明を表示しています。

Transcribe audio to text using Azure AI Speech (Fast Transcription REST API). Use when converting audio/video to text, generating subtitles, or processing spoken content in OpenMontage. Optional cloud STT provider — preferred when AZURE_SPEECH_KEY is configured; the local faster-whisper `transcriber` is the default offline path.

日本語の概要は準備中です。原文の説明を表示しています。

Generate local speech with saved or designed voices, transcribe audio, and automate dubbing or narration workflows through VoiceStudio's REST API or MCP server. Use when the user wants to work with VoiceStudio audio or connect it to an agent or automation.

日本語の概要は準備中です。原文の説明を表示しています。

Turn a music track (an audio file, a video to pull audio from, or a track generated from a mood brief) into a beat-synced video — lyric video, slideshow, or kinetic promo. The music drives all pacing; any user-supplied images/videos are cut onto the same beat grid, and a complete video needs zero assets. Narrated pieces → the input-matched workflow (see /hyperframes). Unclear → /hyperframes.

日本語の概要は準備中です。原文の説明を表示しています。

OpenAI's general-purpose speech recognition model. Supports 99 languages, transcription, translation to English, and language identification. Six model sizes from tiny (39M params) to large (1550M params). Use for speech-to-text, podcast transcription, or multilingual audio processing. Best for robust, multilingual ASR.

日本語の概要は準備中です。原文の説明を表示しています。