前言¶
很多 Agent 接到「把这句话念出来」的需求时，只能先调 OpenAI 或浏览器 TTS，或者去写一段几十行的 ElevenLabs 调用脚本，再自己处理音频落盘。Sag 把这件事压缩成一条命令：sag "Hello there"，本地播放，参数用开关控制，不写脚本。
下面介绍这个 Skill 是什么、怎么装、怎么用，以及它把哪些调参细节固化成了约定。
这是什么¶
Sag 是一个面向创意、语音与多媒体场景的 text-to-speech synthesis Skill，基于通用 SKILL.md 格式。一句话定位：用 ElevenLabs 做语音合成，交互风格照搬 macOS 的 say 命令。
- 出品/维护：steipete（Peter Steinberger），发布在 ClawHub
- 来源：clawhub，坐标
@clawhub_steipete/sag - 版本：1.0.0，许可证 MIT-0
- 分类：design-media（ClawHub 页面归在 Creative / #text-to-speech）
- Skill 线索中的中文名是「语音合成（sag）」，官方地址
https://api.skillhub.cn/indiv-seafish/sag，对应 SkillHub 页面为https://www.skillhub.cn/skills/clawhub_steipete/sag
它解决的问题不是「能不能合成语音」，而是把模型选择、发音矫正、停顿和语气标签这些每次都要重新摸索的参数，变成稳定可复用的命令行约定。
核心功能¶
只列 ClawHub 技能卡上明确写出的能力。
- Mac 风格的 say 交互：文本直接作为位置参数传入，输出本地播放。
- 显式指定音色：
-v/--voice传音色 ID 或音色别名，另有sag voices列出可用音色。 - 文件输出：
-o把音频写到指定路径（mp3），便于作为附件返回。 - 提示词指南：
sag prompting输出模型专属的提示技巧。 - 发音与播报规则内置：重拼（respell）、数字/单位/URL 的规范化、语言倾向开关都由命令行参数控制，不需要在正文里手写规则。
- 模型切换：默认
eleven_v3（expressive），另有 stable 和 fast 档位。
安装与启用¶
Skill 通过 OpenClaw 的 CLI 安装，不需要手工 clone 仓库。
openclaw skills install @steipete/sag
安装前需要先准备好 API key。技能卡列出两个环境变量：
# 推荐
export ELEVENLABS_API_KEY=sk_xxx
# CLI 也支持
export SAG_API_KEY=sk_xxx
音色默认值同样走环境变量：
export ELEVENLABS_VOICE_ID=lj2rcrvANS3gaWWnczSX
# 或 SAG_VOICE_ID
技能卡上 ELEVENLABS_VOICE_ID 与 SAG_VOICE_ID 并列列出；ClawHub 示例里 Clawd 的默认音色 ID 就是 lj2rcrvANS3gaWWnczSX，用 -v Clawd 也可以。
说明：资料里只给出 OpenClaw CLI 这一种安装方式，没有提到 Cursor、Codex CLI 或 Claude Code 的差异化安装步骤，这里不做推测。
典型用法¶
下面几条都来自技能卡的 Quick start 段落。
最简单的一条，合成并本地播放：
sag "Hello there"
指定音色，用别名更直观：
sag speak -v "Roger" "Hello"
查看可用音色、查看提示技巧：
sag voices
sag prompting
生成音频文件并作为回复附件返回。技能卡给出的是给 Peter 做语音回复的例子：
sag -v Clawd -o /tmp/voice-reply.mp3 "Your message here"
# 然后在同一条回复里附上：
# MEDIA:/tmp/voice-reply.mp3
技能卡对不同人设给了建议：crazy scientist 用 [excited] 标签加短停顿并变换强度；calm 用 [whispers] 或放慢节奏；dramatic 少量使用 [sings] 或 [shouts]。
发音、停顿与语气标签¶
这一节容易踩坑，单独说。技能卡给的规则按模型版本区分。
发音矫正，第一优先级是重拼：
"key-note"、加连字符、调整大小写
数字、单位和 URL 走规范化开关：
# 默认 auto；如果规范化反而破坏了专名，可以关掉
sag --normalize auto "..."
语言倾向用来指导规范化方向：
sag --lang en|de|fr|... "..."
停顿标签。eleven_v3 不支持 SSML <break>，要用方括号标签：
[pause]、[short pause]、[long pause]
eleven_multilingual_v2 / eleven_flash_v2_5 支持 SSML <break time="1.5s" />，但 <phoneme> 在 sag 里没有暴露。
语气标签写在行首，v3 可用：
[whispers]、[shouts]、[sings]
[laughs]、[starts laughing]、[sighs]、[exhales]
[sarcastic]、[curious]、[excited]、[crying]、[mischievously]
技能卡给出的完整示例：
sag "[whispers] keep this quiet. [short pause] ok?"
注意：标签必须放在行首，不能夹在句子中间；这是 v3 的约束，换模型后要用 SSML 写法。
模型选择¶
技能卡列出三档，参数写全：
- 默认：
eleven_v3（expressive） - Stable：
eleven_multilingual_v2 - Fast：
eleven_flash_v2_5
需要稳定的多语种输出时换 stable，需要低延迟时换 fast，默认档位表达力最强但 SSML 能力受限。换模型前先确认停顿和语气标签的写法是否仍然有效。
适用场景与注意¶
适合的人：已经在用 OpenClaw / ClawHub 生态的开发者，需要给 Agent 加一条稳定的「说话」能力，且不想自己维护调用脚本和调参逻辑。也适合需要把语音回复作为附件回传给用户的聊天类场景。
限制和坑：
- 必须提供 API key，技能卡的 tag 是
requires_api_key=true。没有 key 时命令不会成功，部署前先检查环境变量是否注入到 Agent 实际运行的进程里。 - 模型版本决定标签语法。v3 不支持 SSML
<break>，v2/v2.5 不支持通过 sag 使用<phoneme>。从默认档切到 stable 或 fast 时，正文里的停顿写法要跟着改。 - 长输出前先确认音色和说话人。音色 ID 是环境变量，一旦设错，批量生成的音频会全部落在错误音色上，返工成本高于一开始就核对一次。
--normalize可能破坏专名。技能卡明确说可以off，所以遇到产品名、人名读错时，先关规范化再排查重拼。- 技能卡标注 Last updated 5mo ago，Security audit 为 Pass，许可证 MIT-0。功能细节以当前技能卡为准。
结尾¶
Sag 的价值在于把 ElevenLabs TTS 的一次调用变成一条带默认值的命令，同时把发音、停顿、语气这些最容易反复试错的地方固化成文档。如果你已经在 ClawHub 生态里，装一条命令就能用；如果不在，它的价值就只是把同样的调用封装得更顺手。
官方地址：https://api.skillhub.cn/indiv-seafish/sag
技能卡：https://clawhub.ai/steipete/sag
