媒体与语音（docs/media.md）
gg 的媒体能力（图片生成、TTS、STT）走 OpenAI 兼容的 HTTP 端点：
| 能力 | 端点 |
|---|---|
| 图片生成 | POST /v1/images/generations |
| TTS | POST /v1/audio/speech |
| STT | POST /v1/audio/transcriptions（multipart） |
默认复用聊天 provider 的 baseURL / apiKey（大多数 OpenAI 兼容服务三个端点都提供）。需要独立配置时用环境变量：
GG_MEDIA_BASE_URL/GG_MEDIA_API_KEYGG_MEDIA_IMAGE_MODEL/GG_MEDIA_TTS_MODEL/GG_MEDIA_STT_MODEL
生成物存到 ~/.gg/media/{images,tts}/（0600），STT 直接返回文本。
Agent 工具
image_generate：prompt → PNG 文件路径。需要 approval（图片生成按次计费）。tts：文本 → 音频文件路径（默认 mp3）。stt：本地音频文件 → 转写文本。
CLI
bash
gg media image "一只橘猫在看代码" --size 1024x1024
gg media tts "你好，我是叮当" --format mp3
gg media stt ./voice.m4a --language zh限制
- STT 音频上限 64 MiB；图片/TTS 响应上限 64 MiB。
- 图片一次最多 4 张。
- 图片生成质量完全取决于 provider（DALL-E / gpt-image / 第三方兼容实现）。