实时语音合成交互流程

qwen-tts 的交互流程采用 WebSocket 持久连接 + 事件驱动响应机制，支持客户端实时输入文本并持续接收语音流。交互模型支持两种使用模式：

• ServerCommit 模式：服务端智能判断文本分段与合成时机，开发者无需关心内部状态切分，适合延迟敏感但无需手动控制语音合成时机的场景。

• Commit 模式：客户端控制每一段文本的提交时间，适合配合复杂控制逻辑使用，如多模型协同生成时的精细节奏同步。

模式说明：

• ServerCommit 模式下调用 input_text_buffer.append 多次，系统根据内部规则判断合成起点。

• 若在 ServerCommit 模式中主动调用 input_text_buffer.commit，表示立即合成当前缓冲内容，后续仍维持 ServerCommit 模式。

• Commit 模式下仅调用 input_text_buffer.append 不会触发合成，需明确调用 input_text_buffer.commit。

关键流程说明：

1. 连接阶段：客户端发起 WebSocket 连接，服务端返回 session.created，表示会话已初始化。

2. 文本输入阶段：客户端通过多次发送 input_text_buffer.append 添加文本到缓冲区。

3. 触发合成阶段：

   • ServerCommit 模式中系统自动判断合成时机，或客户端手动调用 commit 强制触发。

   • Commit 模式中仅 commit 操作才会真正触发语音合成流程。

4. 音频生成阶段：

   • 服务端首先发出 response.created 表示任务已启动。

5. 随后分片返回音频 response.audio.delta（base64 编码），直到 audio.done。

6. 会话结束阶段：客户端显式调用 session.finish 通知服务端清理状态，随后关闭连接。

该流程设计最大程度兼容用户自定义控制与自动化调用，并为多语言、多风格合成任务提供一致的协议框架。