⚠️ 重要：音频要求
- 时长：10-20 秒（建议不超过60秒）
- 连续语音：至少包含一段超过 5 秒的连续人声
- 格式：WAV 或 MP3
- 环境：安静环境录制，无背景噪音、无音乐
- 语言：支持中文、英文、日语、韩语等
- 内容：连贯朗读，避免频繁停顿
- 质量：清晰的人声，建议使用手机或麦克风近距离录音
提示：如果提示"No valid speech segments found"，说明音频质量不符合要求，请重新录制。
⚠️ 重要提示：当前限制
qwen3-tts-vc-realtime 是实时模型，仅支持 WebSocket 协议，不支持传统的 HTTP POST 调用。
可选方案：
- 方案 1（推荐）：使用 Python 脚本 + PHP 调用（支持自定义音色）
- 方案 2：切换到非实时模型（仅支持预设音色）
- 方案 3：使用 Node.js 中间服务
详细说明请查看：语音合成说明文档