@pippit-dev/cli 1.0.6 → 1.0.8

package/README.md

@@ -9,11 +9,11 @@
 | 技能 | 说明 | 路径 |
 |-------|-------------|------|
 | `xyq-short-drama-skill` | 短剧工作流技能，支持提交创作任务、上传参考文件、查询进度、列出会话文件和下载产物。 | `skills/short-drama/` |
-| `xyq-skill` | 通用 NestAgent 技能，支持图片/视频生成、编辑、文件上传、进度查询和结果下载。 | `skills/xyq-nest-skill/` |
+| `xyq-skill` | 通用 NestAgent 技能，支持图片/视频生成、编辑、图片/视频/mp3或wav音频文件上传、进度查询和结果下载。 | `skills/xyq-nest-skill/` |
 
 ## 通用 NestAgent 技能
 
-`xyq-skill` 通过接入小云雀 NestAgent 的综合创作能力，实现 AI 图片/视频生成、编辑、风格转换、文件上传、进度查询和结果下载。
+`xyq-skill` 通过接入小云雀 NestAgent 的综合创作能力，实现 AI 图片/视频生成、编辑、风格转换、图片/视频/mp3或wav音频文件上传、进度查询和结果下载。
 
 ### 功能特性
 
@@ -21,7 +21,7 @@
 |------|------|
 | 创建会话 / 发送消息 | 向小云雀发送自然语言指令，生成图片或视频。 |
 | 查询会话进展 | 增量拉取会话消息，轮询创作进度和产物结果。 |
-| 上传文件 | 上传图片/视频到小云雀资产库，获取 `asset_id` 用于编辑和参考。 |
+| 上传文件 | 上传图片/视频/mp3或wav音频到小云雀资产库，获取 `asset_id` 用于编辑和参考。 |
 | 下载结果 | 批量下载生成的图片/视频到本地，支持并行下载。 |
 
 小云雀平台能力覆盖：
@@ -103,9 +103,12 @@ python3 skills/xyq-nest-skill/scripts/upload_file.py /path/to/image.png
 
 # 上传视频
 python3 skills/xyq-nest-skill/scripts/upload_file.py /path/to/video.mp4
+
+# 上传音频
+python3 skills/xyq-nest-skill/scripts/upload_file.py /path/to/audio.mp3
 ```
 
-仅支持 `image/*` 和 `video/*` 类型，单文件大小限制 200 MB。
+仅支持 `image/*`、`video/*` 和 `.mp3/.wav` 音频文件，单文件大小限制 200 MB。
 
 返回示例：
 
@@ -212,7 +215,7 @@ pippit-tool-cli download-result --output-path ./thread_123/results/result.mp4 --
 
 ## 生视频 CLI
 
-`generate-video` 会上传本地参考图片和视频，然后向视频片段 Agent 提交生视频请求：
+`generate-video` 会上传本地参考图片、视频和音频，然后向视频片段 Agent 提交生视频请求：
 
 ```bash
 pippit-tool-cli generate-video \
@@ -221,13 +224,14 @@ pippit-tool-cli generate-video \
   --image "~/images/cat2.jpg" \
   --video "~/images/video1.mp4" \
   --video "~/images/video2.mp4" \
+  --audio "~/audio/bgm.mp3" \
   --duration 5 \
   --ratio "9:16" \
-  --model "Seedance_2.0_mini" \
+  --model "seedance2.0_direct" \
   --resolution "720p"
 ```
 
-命令输出 `thread_id`、`run_id` 和 `web_thread_link`。提交生视频 HTTP 请求时，参考图和参考视频会使用上传接口返回的 `pippit_asset_id`。图片最多 9 张，支持 `.jpg`、`.jpeg`、`.png`、`.gif`、`.bmp`、`.webp`、`.svg`；视频最多 3 个，支持 `.mp4`、`.avi`、`.mov`、`.wmv`、`.flv`、`.webm`、`.mkv`、`.m4v`。普通用户支持模型 `seedance2.0_direct` 和 `seedance2.0_fast_direct`；VIP 用户额外支持 `seedance2.0_vision`、`seedance2.0_fast_vision` 和 `Seedance_2.0_mini`。模型、比例、分辨率、素材数量等参数的语义校验当前预留在后续实现。
+命令输出 `thread_id`、`run_id` 和 `web_thread_link`。提交生视频 HTTP 请求时，参考图、参考视频和参考音频会使用上传接口返回的 `pippit_asset_id`，并分别写入 `video_part_tool_param.images`、`video_part_tool_param.videos` 和 `video_part_tool_param.audios`。图片最多 9 张，支持 `.jpg`、`.jpeg`、`.png`、`.gif`、`.bmp`、`.webp`、`.svg`；视频最多 3 个，支持 `.mp4`、`.avi`、`.mov`、`.wmv`、`.flv`、`.webm`、`.mkv`、`.m4v`；音频最多 3 个，仅支持 `.mp3`、`.wav`。普通用户支持模型 `seedance2.0_direct` 和 `seedance2.0_fast_direct`；VIP 用户额外支持 `seedance2.0_vision` 和 `seedance2.0_fast_vision`。模型、比例、分辨率、素材数量等参数的语义校验当前预留在后续实现。
 
 查询并下载生视频结果：
 

package/checksums.txt

@@ -1,6 +1,6 @@
-4a91568122037aef82ae4f4503d8aa32ec9b08a36fcdfa126ba2c5abd9883393  pippit-tool-cli-1.0.6-darwin-amd64.tar.gz
-1e8361815dcebac9a7a5f47d7d4d22509be0ec40988f8930bf87259388a5124d  pippit-tool-cli-1.0.6-darwin-arm64.tar.gz
-7f1100d92609ccba09c6702a36972f266ba9c2efbd11cb42848ffb0f2caa9381  pippit-tool-cli-1.0.6-linux-amd64.tar.gz
-cd62aec82919c293a12f94ea7884f2e304022188792d89385047643f67ddfb08  pippit-tool-cli-1.0.6-linux-arm64.tar.gz
-8951e38595e2b825ef85910452c9d3cbd8f91eb9453cf284e4f0e97f89d64166  pippit-tool-cli-1.0.6-windows-amd64.zip
-4a52b208d52c0c81186e38b066c0c0f503ca1b881bc9980b700e146d5d5ceb67  pippit-tool-cli-1.0.6-windows-arm64.zip
+0868a4798bb8ced3bcf2d1c53938457ef311920f3f4c6fff97c7d78cedcd68d2  pippit-tool-cli-1.0.8-darwin-amd64.tar.gz
+1e4d0bace4be4e47fd11e05056cb0953fb63236ceb240370302d6d680f504d85  pippit-tool-cli-1.0.8-darwin-arm64.tar.gz
+c23a7f3a4c3d8e2840a02e40eb6df6a7cfa8d13384315953afe39f216ee12a0d  pippit-tool-cli-1.0.8-linux-amd64.tar.gz
+d079ff9915ee2c0676d15d619390e9d5e13290381f2cbbd450d9c34996dd5915  pippit-tool-cli-1.0.8-linux-arm64.tar.gz
+34ed2d0fa62061d39f3787a56f95bca4f55d363e47d94ada9b0090d3845737a2  pippit-tool-cli-1.0.8-windows-amd64.zip
+6133c858619c795b4e22e5e701313a5665ea70c885cd40c21aef514c3b452621  pippit-tool-cli-1.0.8-windows-arm64.zip

package/cmd/generate_video/generate_video.go

@@ -28,6 +28,7 @@ func NewCommand(stdout, stderr io.Writer, runner *common.Runner) *cobra.Command
 				_ = common.AppendDailyErrorLog("generate-video", err, map[string]string{
 					"image_count": strconv.Itoa(len(opts.ImagePaths)),
 					"video_count": strconv.Itoa(len(opts.VideoPaths)),
+					"audio_count": strconv.Itoa(len(opts.AudioPaths)),
 				})
 				return err
 			}
@@ -40,9 +41,10 @@ func NewCommand(stdout, stderr io.Writer, runner *common.Runner) *cobra.Command
 	flags.StringVar(&opts.Prompt, "prompt", "", "video generation prompt")
 	flags.StringArrayVar(&opts.ImagePaths, "image", nil, "local reference image path; repeat for multiple images, up to 9")
 	flags.StringArrayVar(&opts.VideoPaths, "video", nil, "local reference video path; repeat for multiple videos, up to 3")
+	flags.StringArrayVar(&opts.AudioPaths, "audio", nil, "local reference audio path; repeat for multiple audios, up to 3")
 	flags.IntVar(&durationSec, "duration", 0, "video duration in seconds")
 	flags.StringVar(&opts.Ratio, "ratio", "", "video ratio, such as 9:16, 16:9, 3:4, 4:3")
-	flags.StringVar(&opts.Model, "model", "", "video model; normal users: seedance2.0_direct, seedance2.0_fast_direct; VIP users: seedance2.0_direct, seedance2.0_fast_direct, seedance2.0_vision, seedance2.0_fast_vision, Seedance_2.0_mini")
+	flags.StringVar(&opts.Model, "model", "", "video model; normal users: seedance2.0_direct, seedance2.0_fast_direct; VIP users: seedance2.0_direct, seedance2.0_fast_direct, seedance2.0_vision, seedance2.0_fast_vision")
 	flags.StringVar(&opts.Resolution, "resolution", "", "video resolution, such as 720p, 1080p")
 	return cmd
 }

package/cmd/generate_video_test.go

@@ -14,7 +14,7 @@ import (
 )
 
 func TestGenerateVideo(t *testing.T) {
-	assetIDs := []string{"image_asset_1", "image_asset_2", "video_asset_1", "video_asset_2"}
+	assetIDs := []string{"image_asset_1", "image_asset_2", "video_asset_1", "video_asset_2", "audio_asset_1"}
 	uploadIndex := 0
 
 	server := httptest.NewServer(http.HandlerFunc(func(w http.ResponseWriter, r *http.Request) {
@@ -36,6 +36,9 @@ func TestGenerateVideo(t *testing.T) {
 			if len(files) != 1 {
 				t.Fatalf("file parts = %d, want 1", len(files))
 			}
+			if files[0].Filename == "bgm.wav" && !strings.HasPrefix(files[0].Header.Get("Content-Type"), "audio/") {
+				t.Fatalf("audio content type = %q, want audio content type", files[0].Header.Get("Content-Type"))
+			}
 			uploadIndex++
 			_, _ = w.Write([]byte(`{"ret":"0","errmsg":"","data":{"pippit_asset_id":"` + assetIDs[uploadIndex-1] + `"}}`))
 		case "/api/biz/v1/skill/submit_run":
@@ -66,11 +69,12 @@ func TestGenerateVideo(t *testing.T) {
 			if param["duration_sec"] != float64(5) {
 				t.Fatalf("duration_sec = %v, want 5", param["duration_sec"])
 			}
-			if param["ratio"] != "9:16" || param["model"] != "Seedance_2.0_mini" || param["resolution"] != "720p" {
+			if param["ratio"] != "9:16" || param["model"] != "seedance2.0_vision" || param["resolution"] != "720p" {
 				t.Fatalf("param = %#v, want ratio/model/resolution", param)
 			}
 			assertAssetRefs(t, param["images"], []string{"image_asset_1", "image_asset_2"})
 			assertAssetRefs(t, param["videos"], []string{"video_asset_1", "video_asset_2"})
+			assertAssetRefs(t, param["audios"], []string{"audio_asset_1"})
 			_, _ = w.Write([]byte(`{"ret":"0","errmsg":"","data":{"run":{"thread_id":"thread_123","run_id":"run_456"},"web_thread_link":"https://xyq.example/thread_123"}}`))
 		default:
 			t.Fatalf("unexpected path %s", r.URL.Path)
@@ -83,7 +87,8 @@ func TestGenerateVideo(t *testing.T) {
 	image2 := filepath.Join(cwd, "cat2.jpg")
 	video1 := filepath.Join(cwd, "video1.mp4")
 	video2 := filepath.Join(cwd, "video2.mp4")
-	for _, path := range []string{image1, image2, video1, video2} {
+	audio1 := filepath.Join(cwd, "bgm.wav")
+	for _, path := range []string{image1, image2, video1, video2, audio1} {
 		if err := os.WriteFile(path, []byte("media-data"), 0o644); err != nil {
 			t.Fatalf("WriteFile(%s): %v", path, err)
 		}
@@ -98,9 +103,10 @@ func TestGenerateVideo(t *testing.T) {
 		"--image", image2,
 		"--video", video1,
 		"--video", video2,
+		"--audio", audio1,
 		"--duration", "5",
 		"--ratio", "9:16",
-		"--model", "Seedance_2.0_mini",
+		"--model", "seedance2.0_vision",
 		"--resolution", "720p",
 	})
 
@@ -209,6 +215,52 @@ func TestGenerateVideoRejectsTooManyVideos(t *testing.T) {
 	}
 }
 
+func TestGenerateVideoRejectsTooManyAudios(t *testing.T) {
+	server := httptest.NewServer(http.HandlerFunc(func(w http.ResponseWriter, r *http.Request) {
+		t.Fatal("server should not receive request when audio count is invalid")
+	}))
+	defer server.Close()
+
+	var stdout, stderr bytes.Buffer
+	root := newTestRootCommand(t, &stdout, &stderr, server.URL)
+	args := []string{"generate-video", "--prompt", "x"}
+	for _, path := range mediaPaths("audio", ".mp3", 4) {
+		args = append(args, "--audio", path)
+	}
+	root.SetArgs(args)
+
+	err := root.Execute()
+	if err == nil {
+		t.Fatal("Execute() error = nil, want audio count validation")
+	}
+	if !strings.Contains(err.Error(), "参考音频最多支持 3 个，当前传入 4 个") {
+		t.Fatalf("error = %q, want audio count validation", err)
+	}
+}
+
+func TestGenerateVideoRejectsUnsupportedAudioExtension(t *testing.T) {
+	server := httptest.NewServer(http.HandlerFunc(func(w http.ResponseWriter, r *http.Request) {
+		t.Fatal("server should not receive request when audio extension is invalid")
+	}))
+	defer server.Close()
+
+	var stdout, stderr bytes.Buffer
+	root := newTestRootCommand(t, &stdout, &stderr, server.URL)
+	root.SetArgs([]string{
+		"generate-video",
+		"--prompt", "x",
+		"--audio", "bgm.wma",
+	})
+
+	err := root.Execute()
+	if err == nil {
+		t.Fatal("Execute() error = nil, want audio extension validation")
+	}
+	if !strings.Contains(err.Error(), `不支持的音频文件后缀 ".wma"`) {
+		t.Fatalf("error = %q, want audio extension validation", err)
+	}
+}
+
 func TestGenerateVideoSubmitRunErrorIncludesLogID(t *testing.T) {
 	server := httptest.NewServer(http.HandlerFunc(func(w http.ResponseWriter, r *http.Request) {
 		switch r.URL.Path {

package/internal/common/upload_file.go

@@ -36,6 +36,11 @@ type uploadFileResponse struct {
 
 const uploadFileFieldName = "file"
 
+var uploadFileContentTypeFallbacks = map[string]string{
+	".mp3": "audio/mpeg",
+	".wav": "audio/wav",
+}
+
 func UploadFile(ctx context.Context, opts UploadFileOptions, runner *Runner) (*UploadFileResult, error) {
 	if err := ctx.Err(); err != nil {
 		if errors.Is(err, context.Canceled) {
@@ -71,6 +76,9 @@ func UploadFile(ctx context.Context, opts UploadFileOptions, runner *Runner) (*U
 	ext := strings.ToLower(filepath.Ext(path))
 	fileName := filepath.Base(path)
 	contentType := mime.TypeByExtension(ext)
+	if contentType == "" {
+		contentType = uploadFileContentTypeFallbacks[ext]
+	}
 
 	var resp uploadFileResponse
 	if err := runner.Client.SendMultipartRequest(ctx, uploadFilePath(runner), nil, MultipartFile{

package/internal/generate_video/generate_video.go

@@ -14,13 +14,16 @@ const (
 	agentNameVideoPart = "pippit_video_part_agent"
 	maxReferenceImages = 9
 	maxReferenceVideos = 3
+	maxReferenceAudios = 3
 )
 
 var (
 	allowedImageExtensionList = []string{".jpg", ".jpeg", ".png", ".gif", ".bmp", ".webp", ".svg"}
 	allowedVideoExtensionList = []string{".mp4", ".avi", ".mov", ".wmv", ".flv", ".webm", ".mkv", ".m4v"}
+	allowedAudioExtensionList = []string{".mp3", ".wav"}
 	allowedImageExtensions    = makeExtensionSet(allowedImageExtensionList)
 	allowedVideoExtensions    = makeExtensionSet(allowedVideoExtensionList)
+	allowedAudioExtensions    = makeExtensionSet(allowedAudioExtensionList)
 )
 
 // Options is the stable command-facing request shape for generate-video.
@@ -28,6 +31,7 @@ type Options struct {
 	Prompt      string
 	ImagePaths  []string
 	VideoPaths  []string
+	AudioPaths  []string
 	DurationSec *int
 	Ratio       string
 	Model       string
@@ -44,6 +48,7 @@ type videoPartToolParam struct {
 	DurationSec *int         `json:"duration_sec,omitempty"`
 	Ratio       string       `json:"ratio,omitempty"`
 	Videos      []mediaAsset `json:"videos,omitempty"`
+	Audios      []mediaAsset `json:"audios,omitempty"`
 	Model       string       `json:"model,omitempty"`
 	Resolution  string       `json:"resolution,omitempty"`
 }
@@ -71,8 +76,12 @@ func Run(ctx context.Context, opts *Options, runner *common.Runner) (*Result, er
 	if err != nil {
 		return nil, fmt.Errorf("上传视频失败: %w", err)
 	}
+	audioAssetIDs, err := uploadMediaList(ctx, opts.AudioPaths, runner)
+	if err != nil {
+		return nil, fmt.Errorf("上传音频失败: %w", err)
+	}
 
-	body := buildSubmitRunBody(opts, imageAssetIDs, videoAssetIDs)
+	body := buildSubmitRunBody(opts, imageAssetIDs, videoAssetIDs, audioAssetIDs)
 
 	var resp common.SubmitRunResponse
 	if err := runner.Client.SendRequest(ctx, common.SubmitRunPath(runner), body, &resp); err != nil {
@@ -111,12 +120,18 @@ func ValidateOptions(opts *Options) error {
 	if len(opts.VideoPaths) > maxReferenceVideos {
 		return fmt.Errorf("参考视频最多支持 %d 个，当前传入 %d 个", maxReferenceVideos, len(opts.VideoPaths))
 	}
+	if len(opts.AudioPaths) > maxReferenceAudios {
+		return fmt.Errorf("参考音频最多支持 %d 个，当前传入 %d 个", maxReferenceAudios, len(opts.AudioPaths))
+	}
 	if err := validateMediaExtensions("图片", opts.ImagePaths, allowedImageExtensions, allowedImageExtensionList); err != nil {
 		return err
 	}
 	if err := validateMediaExtensions("视频", opts.VideoPaths, allowedVideoExtensions, allowedVideoExtensionList); err != nil {
 		return err
 	}
+	if err := validateMediaExtensions("音频", opts.AudioPaths, allowedAudioExtensions, allowedAudioExtensionList); err != nil {
+		return err
+	}
 	return nil
 }
 
@@ -154,13 +169,14 @@ func uploadMediaList(ctx context.Context, paths []string, runner *common.Runner)
 	return assetIDs, nil
 }
 
-func buildSubmitRunBody(opts *Options, imageAssetIDs []string, videoAssetIDs []string) map[string]any {
+func buildSubmitRunBody(opts *Options, imageAssetIDs []string, videoAssetIDs []string, audioAssetIDs []string) map[string]any {
 	param := videoPartToolParam{
 		Images:      assetRefs(imageAssetIDs),
 		Prompt:      strings.TrimSpace(opts.Prompt),
 		DurationSec: opts.DurationSec,
 		Ratio:       strings.TrimSpace(opts.Ratio),
 		Videos:      assetRefs(videoAssetIDs),
+		Audios:      assetRefs(audioAssetIDs),
 		Model:       strings.TrimSpace(opts.Model),
 		Resolution:  strings.TrimSpace(opts.Resolution),
 	}

package/package.json

@@ -1,6 +1,6 @@
 {
   "name": "@pippit-dev/cli",
-  "version": "1.0.6",
+  "version": "1.0.8",
   "description": "Pippit CLI",
   "bin": {
     "pippit-tool-cli": "scripts/run.js"

package/skills/xyq-nest-skill/SKILL.md

@@ -1,6 +1,6 @@
 ---
 name: xyq-skill
-description: 通过小云雀的 AI 能力进行综合创作，支持生成和编辑图片/视频。覆盖场景包括：生成（文生图、文生视频、图生视频、做动画、画一个xxx、来段xxx）、编辑修改（把xxx换成yyy、去掉xxx、加上xxx、改成xxx、调整xxx、局部修改、改镜头）、风格转换（风格迁移、转绘、换风格）、视频续写延长、复刻视频/TVC/宣传片、短剧/短漫剧生成、音乐MV生成、产品广告/展示片制作、分镜/故事板设计、教育视频/短视频制作。当用户提到小云雀、xyq、上传参考图/视频、查看生成进度时也应触发。关键判断：只要用户的请求涉及 AI 视频的创作、生成、编辑、修改，无论措辞如何（如"画只猫"、"做个海报"、"做个视频"、"这个视频帮我改一下"、"帮我复刻这段视频"、"用这首歌做个MV"、"一句话生成短剧"），都必须触发此技能。
+description: 通过小云雀的 AI 能力进行综合创作，支持生成和编辑图片/视频。覆盖场景包括：生成（文生图、文生视频、图生视频、做动画、画一个xxx、来段xxx）、编辑修改（把xxx换成yyy、去掉xxx、加上xxx、改成xxx、调整xxx、局部修改、改镜头）、风格转换（风格迁移、转绘、换风格）、视频续写延长、复刻视频/TVC/宣传片、短剧/短漫剧生成、音乐MV生成、产品广告/展示片制作、分镜/故事板设计、教育视频/短视频制作。当用户提到小云雀、xyq、上传参考图/视频/mp3或wav音频、查看生成进度时也应触发。关键判断：只要用户的请求涉及 AI 视频的创作、生成、编辑、修改，无论措辞如何（如"画只猫"、"做个海报"、"做个视频"、"这个视频帮我改一下"、"帮我复刻这段视频"、"用这首歌做个MV"、"一句话生成短剧"），都必须触发此技能。
 user-invocable: true
 metadata:
   {
@@ -19,7 +19,7 @@ metadata:
 
 # 小云雀会话（生视频）
 
-通过 小云雀的API 创建会话、发送消息（生图、生视频、编辑视频等）、上传图片/视频文件，并查询会话消息进展。
+通过 小云雀的API 创建会话、发送消息（生图、生视频、编辑视频等）、上传图片/视频/mp3或wav音频文件，并查询会话消息进展。
 
 小云雀是一个 AI 综合创作平台，同时为人类创作者和 Agent 设计。Agent 通过 Skill 入口理解任务、调用模型并自动编排工作流。
 
@@ -34,7 +34,7 @@ metadata:
 
 1. **创建会话 / 发消息** - 创建新会话或向已有会话发送一条消息（如「创作一个视频」）
 2. **查询会话进展** - 根据 `thread_id` 、 `run_id`、`after_seq` 增量拉取该会话的消息列表，用于轮询创作过程的消息和最终产物结果
-3. **上传文件** - 支持上传`单张图片`或`单个视频文件`到小云雀资产库，得到文件对应的 `asset_id`（编辑已有视频/图片时需要先上传）
+3. **上传文件** - 支持上传`单张图片`、`单个视频文件`或`单个mp3/wav音频文件`到小云雀资产库，得到文件对应的 `asset_id`（编辑或参考已有图片/视频/音频时需要先上传）
 4. **下载结果** - 将会话中生成的图片/视频批量下载到本地，支持指定输出目录和文件名前缀。
 
 
@@ -71,7 +71,7 @@ python3 {baseDir}/scripts/get_thread.py --thread-id THREAD_ID --run-id RUN_ID --
 
 ### 3. 上传文件
 
-- 当用户提供了参考的文件地址时，先进行文件上传，仅支持图片、视频。
+- 当用户提供了参考的文件地址时，先进行文件上传，仅支持图片、视频、`.mp3/.wav` 音频。
 - 单次指令执行仅支持单个文件，多个文件可并行调用，单个文件大小必须在200MB以下。
 
 ```bash
@@ -80,6 +80,9 @@ python3 {baseDir}/scripts/upload_file.py /path/to/image.png
 
 # 上传视频
 python3 {baseDir}/scripts/upload_file.py /path/to/video.mp4
+
+# 上传音频
+python3 {baseDir}/scripts/upload_file.py /path/to/audio.mp3
 ```
 
 ### 4. 下载结果
@@ -115,24 +118,26 @@ python3 {baseDir}/scripts/download_results.py --urls URL1 URL2 URL3 --output-dir
 6. 向用户展示：过程中的创作信息，以及下载后的本地文件列表
 ```
 
-### 场景 2：用户提供图片/视频要求编辑修改（如"参考这个视频做一个新的"）
+### 场景 2：用户提供图片/视频/音频要求编辑修改或作为参考（如"参考这个视频做一个新的"、"用这首歌做MV"）
 
 ```
-1. upload_file.py /path/to/video.mp4  →  拿到 asset_id
-2. submit_run.py --message "参考这个视频做一个新的" --asset-ids asset_id  →  拿到 thread_id、run_id、web_thread_link
-3. 后续同场景 1 的步骤 2-6
+1. upload_file.py /path/to/video.mp4  →  拿到 asset_id1
+2. upload_file.py /path/to/audio.mp3  →  拿到 asset_id2
+3. submit_run.py --message "参考这个视频并用这首歌做一个新的" --asset-ids asset_id1 asset_id2  →  拿到 thread_id、run_id、web_thread_link
+4. 后续同场景 1 的步骤 2-6
 ```
 
 用户给了文件路径 + 编辑指令 = 先上传文件，再把编辑指令和 所有asset_id 一起发送。
 
-### 场景 3：用户提供参考图/视频要求生成新内容
+### 场景 3：用户提供参考图/视频/音频要求生成新内容
 
 ```
 1. upload_file.py /path/to/ref1.png  →  拿到 asset_id1
 2. upload_file.py /path/to/ref2.mp4  →  拿到 asset_id2
-3. 直到所有文件上传完成，拿到所有 asset_id
-4. submit_run.py --message "根据参考图、视频生成xxx" --asset-ids asset_id1 asset_id2, ...  →  拿到 thread_id、run_id、web_thread_link
-5. 后续同场景 1 的步骤 2-6
+3. upload_file.py /path/to/ref3.mp3  →  拿到 asset_id3
+4. 直到所有文件上传完成，拿到所有 asset_id
+5. submit_run.py --message "根据参考图、视频、音频生成xxx" --asset-ids asset_id1 asset_id2 asset_id3, ...  →  拿到 thread_id、run_id、web_thread_link
+6. 后续同场景 1 的步骤 2-6
 ```
 
 ### 场景 4：在已有会话中追加新需求
@@ -251,5 +256,5 @@ python3 {baseDir}/scripts/download_results.py --urls URL1 URL2 URL3 --output-dir
 - 鉴权方式为请求头 `Authorization: Bearer <XYQ_ACCESS_KEY>`
 - 创建会话时 `message` 是用户的指令要求，不能为空
 - 查询会话时可用 --after-seq 做增量拉取，便于轮询新消息（含 assistant 回复与生图/生视频结果）
-- 上传文件仅支持图片（image/*）和视频（video/*）类型，其他类型会被拒绝，文件大小须在 200MB 以下
+- 上传文件仅支持图片（image/*）、视频（video/*）和 `.mp3/.wav` 音频文件，其他类型会被拒绝，文件大小须在 200MB 以下
 - 生成过程中将过程中的创作信息展示给用户；任务完成后给出**产物结果（图片/视频）URL链接**和下载的**本地文件列表**。

package/skills/xyq-nest-skill/scripts/upload_file.py

@@ -1,5 +1,5 @@
 #!/usr/bin/env python3
-"""上传图片/视频到小云雀资产库：POST /api/biz/v1/skill/upload_file（multipart/form-data）"""
+"""上传图片/视频/mp3或wav音频到小云雀资产库：POST /api/biz/v1/skill/upload_file（multipart/form-data）"""
 
 import argparse
 import json
@@ -15,6 +15,11 @@ from xyq_common import XYQ_BASE, ACCESS_KEY, UPLOAD_FILE_PATH, HTTP_TIMEOUT_SECO
 
 # 允许的 MIME 类型前缀
 ALLOWED_PREFIXES = ("image/", "video/")
+ALLOWED_AUDIO_EXTENSIONS = {".mp3", ".wav"}
+EXTRA_MIME_MAP = {
+    ".mp3": "audio/mpeg",
+    ".wav": "audio/wav",
+}
 
 
 def upload_file(file_path: str) -> dict:
@@ -27,9 +32,14 @@ def upload_file(file_path: str) -> dict:
         sys.exit(1)
 
     # 检查 MIME 类型
+    ext = os.path.splitext(file_path)[1].lower()
     mime_type, _ = mimetypes.guess_type(file_path)
-    if mime_type and not any(mime_type.startswith(p) for p in ALLOWED_PREFIXES):
-        print(f"错误：不支持的文件类型: {mime_type}，仅支持图片和视频", file=sys.stderr)
+    if not mime_type:
+        mime_type = EXTRA_MIME_MAP.get(ext)
+    is_supported_media = bool(mime_type) and any(mime_type.startswith(p) for p in ALLOWED_PREFIXES)
+    is_supported_audio = bool(mime_type) and mime_type.startswith("audio/") and ext in ALLOWED_AUDIO_EXTENSIONS
+    if not is_supported_media and not is_supported_audio:
+        print(f"错误：不支持的文件类型: {mime_type or '未知'}，仅支持图片、视频和 .mp3/.wav 音频", file=sys.stderr)
         sys.exit(1)
 
     # 构建 multipart/form-data 请求体
@@ -84,7 +94,7 @@ def upload_file(file_path: str) -> dict:
 
 def main():
     parser = argparse.ArgumentParser(
-        description="上传图片或视频文件到小云雀资产库",
+        description="上传图片、视频或 mp3/wav 音频文件到小云雀资产库",
         epilog="""
 环境变量:
   XYQ_ACCESS_KEY  必填，Bearer 鉴权
@@ -96,12 +106,15 @@ def main():
 
   # 上传视频
   python3 upload_file.py /path/to/video.mp4
+
+  # 上传音频
+  python3 upload_file.py /path/to/audio.mp3
         """,
         formatter_class=argparse.RawDescriptionHelpFormatter,
     )
     parser.add_argument(
         "file",
-        help="要上传的图片或视频文件路径",
+        help="要上传的图片、视频或 mp3/wav 音频文件路径",
     )
     args = parser.parse_args()