sag 用于调用 ElevenLabs 文本转语音并本地播放,交互方式类似 macOS 的 say 命令。
用途与配置:需要 API 密钥,优先读取 ELEVENLABS_API_KEY,CLI 也支持 SAG_API_KEY;默认语音可通过 ELEVENLABS_VOICE_ID 或 SAG_VOICE_ID 指定。建议在生成长音频前先确认语音与说话人。
主要能力与用法:直接合成播放,如 sag "Hello there";指定语音,如 sag speak -v "Roger" "Hello";列出可用语音,如 sag voices;还可使用 sag prompting 查看模型相关提示。生成音频文件可写入指定路径用于回复,例如 sag -v Clawd -o /tmp/voice-reply.mp3 "Your message here",再以 MEDIA:/tmp/voice-reply.mp3 形式附带。
模型与表现控制:默认 eleven_v3(富有表现力),稳定版 eleven_multilingual_v2,快速版 eleven_flash_v2_5。发音与朗读方面,优先尝试重新拼写(如 key-note)、加连字符或调整大小写;数字、单位和 URL 使用 --normalize auto,若损害名称则用 off;可用 --lang en|de|fr|... 引导规范化。v3 不支持 SSML <break>,改用 [pause]、[short pause]、[long pause];v2/v2.5 支持 SSML <break time="1.5s" />,但 sag 未暴露 <phoneme>。v3 音频标签放在行首,如 [whispers]、[shouts]、[sings]、[laughs]、[sighs]、[sarcastic]、[curious]、[excited] 等。
限制:使用需自备 ElevenLabs API 密钥;不同模型的停顿与标签支持不一致;<phoneme> 不可用;未提供更多平台、收费或价格信息。