用途：记录本仓库实际调用的 Gemini TTS 请求面，供语音合成接入参考。
主要能力：始终使用流式端点 :streamGenerateContent?alt=sse，按实测首字节约 1.16 秒、总计约 3.78 秒，明显快于非流式 :generateContent（约 6.42 秒/7.42 秒）。SSE 以 data: <json>\n\n 逐事件返回，每个事件是含 inlineData 音频块的完整对象，需拼接多个 base64 负载。
行内交付标签：模型会在文本中生成 [whispers]、[laughs]、[sighs]、[excited]、[bored]、[gasp] 等方括号标签而不朗读；标签由生成模型按语句内容放置，并通过 SPEECH_TAG_ALLOWED 过滤、SPEECH_TAG_MAX_PER_LINE 限流，未识别标签可能被读出。
预置音色：30 个语言无关音色（Zephyr、Puck、Charon、Kore、Fenrir、Leda 等）；fi-FI-Chirp3-HD-* 属于 Cloud TTS，在此端点返回 404。模型方面 gemini-3.1-flash-tts-preview 支持流式，2.5 系列为流式缺失。
多说话人：可用嵌套 multiSpeakerVoiceConfig 配置两个具名说话人，但本仓库未接入，因为单机器人只有一个声音，且队列为单条扁平字符串。
限制：不支持自定义或克隆音色，该端点无此能力；Google 即时克隆属 Cloud TTS 的 Chirp 3，需销售白名单，跨语言覆盖不含芬兰语。tts_style 为自然语言风格指令，应描述可听见的具体特征而非年代标签；录音链路的频段特征无法通过提示词补齐。文档页展示的扁平 speech_config 属 OpenAI 兼容面，与本仓库可用的嵌套 speechConfig 不同。探测时避免命令行内联密钥，可用 curl 输出状态与负载大小。