市场上最便宜的AI媒体API。可转录YouTube视频，使用Flux和Z-Image模型生成图像，支持8种语言50多种语音的文本转语音，通过OCR提取文本，制作视频，去除背景，图像超分辨率，应用风格迁移——全部通过统一API实现。注册即送5美元额度，足以支持数百小时的转录或数千张生成图像，成本仅为其他方案的零头。

适用于 ElevenLabs API 的 OpenClaw 技能：文本转语音、语音转语音、实时语音转文本、语音/模型以及对话工作流

向 dr.eamer.dev LLM API 发送请求，支持跨12个模型提供商的聊天补全、视觉分析、图像生成、文本转语音和视频生成。适用于需要调用外部LLM端点或比较不同提供商响应的场景。

使用 Qwen3-TTS VoiceDesign 进行文本转语音，通过自然语言描述结合种子音色固定来设计自定义语音。内置兼容 OpenAI 的 API 服务器、一键部署工具和批量种子探索功能，适用于语音生成、语音设计或为 OpenClaw 添加 TTS 功能。

使用 Microsoft edge-tts 和 afplay 播放的 Jarvis TTS 文本转语音，适用于用户请求语音输出、音频回复或文本转语音，提供自然流畅的中文语音合成

向 dr.eamer.dev LLM API 发送请求，以实现聊天补全、视觉分析、图像生成、文本转语音和视频生成，支持12家模型提供商。适用于需要调用外部LLM接口或比较不同提供商响应的场景。

使用 fal.ai 音频模型实现文本转语音和语音转文本

通过 WebSocket 使用 Azure OpenAI 的 GPT Realtime Mini 模型生成 AI 驱动的播客风格音频叙事，适用于构建语音合成、音频叙事生成和播客创作等功能

MiniMax多模态模型技能——使用MiniMax多模态模型生成语音、音乐、视频和图像。利用MiniMax AI创建语音（文本转语音、语音克隆、语音设计、多段合成）、音乐（歌曲、纯音乐）、视频（文本转视频、图像转视频、起止帧、主体参考、模板、长篇多场景）、图像（文本转图像、带角色参考的图像转图像）以及媒体处理（转换、拼接、剪裁、提取）。当用户提及MiniMax、多模态生成，或希望生成语音/音乐/视频/图像AI内容、使用MiniMax API或结合MiniMax输出的FFmpeg工作流时启用此技能。