feat: 新增消息语音播放功能

[juzi050]

背景

现有 Chat 仅支持文本回复，希望为 assistant 消息增加语音播放能力，使用户可以直接播放回复内容。

预期交互效果如下：

即在 assistant 消息操作区增加语音播放入口，用户点击后即可播放当前回复内容。

核心功能

• assistant 回复支持点击播放语音，并可随时停止
• 全局同一时间仅播放一条消息，新播放自动停止上一条
• TTS 边合成边下发、边接收边播放，无需等待全文合成完成
• 支持主动取消及异常中断后的资源释放

实现方案

计划通过一个 PR 完成消息语音播放的完整链路。

后端通过 WebSocket 连接池承载流式 TTS 合成，消息文本按句分块后依次合成，并通过 SSE 持续向前端下发音频数据；前端边接收边播放。TTS 支持多候选模型 fallback，语音合成任务使用独立线程池，与 Chat 主链路隔离。

按依赖顺序实现：

1. WebSocket 连接池

   • 提供可复用的 WebSocket 连接模板
   • 单条物理连接同一时间最多执行一个 TTS 任务
   • 按模型维护独立连接池并负责任务调度
   • 区分连接池容量不足与模型建连失败，避免容量问题影响模型健康状态

2. 流式 TTS

   • 封装阿里云 CosyVoice WebSocket 流式合成协议
   • 支持文本增量输入与音频流式输出
   • 首个音频分片到达后确认合成成功
   • 提供可取消的 TTS 任务句柄

3. 候选模型路由

   • 支持多个 TTS 候选模型
   • 根据模型健康状态选择可用模型
   • 当前模型合成失败时自动 fallback 至下一候选
   • 连接池容量不足等非模型故障不计入模型异常

4. 消息语音播放

   • 根据 messageId 查询 assistant 消息内容
   • 长文本按句切分，单个合成分块不超过 80 字符
   • 分块完成后立即进行流式 TTS 合成
   • 通过 SSE 持续下发音频元数据及音频分片
   • 前端边接收边播放
   • 使用全局单实例播放器控制播放状态，新播放自动停止旧播放
   • 语音任务通过独立线程池执行，不阻塞 Chat 请求

5. 取消与资源回收

   • 用户停止播放时立即取消当前 TTS 任务
   • 中断后的 WebSocket 连接不再复用并及时释放
   • 长文本连续合成时正确处理任务结束与分块衔接，避免音频提前结束

预期效果

完成后，assistant 消息可以直接点击播放语音，并具备流式播放、主动停止、播放互斥和异常 fallback 能力，同时语音合成链路不会影响现有 Chat 请求。