用途：调用 ListenHub-Voice-1.0 模型做端到端音频生成，一次异步任务接收文本脚本（可选音色、参考图、音频参数、时长提示），返回成品音频文件。
主要能力与模式：纯文本/音效（不传音色与图片，模型合成文本及其中描述的音效）；单音色（voices 一项，type 为 speaker，可用 ListenHub 音色代号或官方 voice_type）；多音色对白（voices 2–3 项，脚本用 @音频1/@音频2 前缀按数组顺序指派台词，每项须支持参考音频，官方 voice_type 仅限单音色）；参考音频克隆（type 为 reference，指向公开音频 URL）；图片转音频（image 传 url 或 data，与 voices 互斥）。
使用方式：当前 listenhub-cli 尚无 listenhub-voice 子命令，需回退到 OpenAPI HTTP，用 curl 加 Bearer API Key（lh_sk_...）调用。先提交 POST /v1/listenhub-voice/generate（返回 202 与 taskId），再轮询 GET /v1/listenhub-voice/tasks/{taskId} 直到 success 或 failed；状态流为 pending→generating→uploading→success|failed。可用 GET /v1/listenhub-voice/tasks 分页查询历史任务。
限制：text 去空格后最多 1400 字；参考音频 ≤30 秒、≤10MB，格式 wav/mp3/pcm/ogg_opus；图片最多 1 张、≤10MB，格式 jpeg/png/webp；image 与 voices 互斥；durationHint 取 1..110 秒；audioConfig 中 speechRate/loudnessRate 取 -50..100，pitchRate 取 -12..12，format 默认 mp3。计费按实际生成时长 0.1125 积分/秒，向上取整、最低 1 积分，创建时仅余额预检；限流 60 秒内最多 5 次。纯单音色朗读可改用 /tts，播客、音乐、视频、转写分别用 /podcast、/music、/video-gen、/asr。