用途：将文本转换为语音，并支持声音克隆、声音设计与音频后处理，适合智能体完成有声书、播客、纪录片旁白、报告播报等多角色配音任务。
主要能力：TTS 支持同步（HTTP/WebSocket）、异步长文本与流式合成；基于 segments.json 的分段合成可实现多音色、多情感并自动合并；声音克隆支持 10 秒至 5 分钟样本；声音设计支持文本提示生成音色；声音管理可列出与删除音色；音频处理借助 FFmpeg 完成格式转换、合并、归一化、裁剪与去静音。
使用方式：先运行 python check_environment.py 检查 Python 3.8+、requests、websockets、FFmpeg 及 MINIMAX_VOICE_API_KEY 环境变量；未设置时用 export MINIMAX_VOICE_API_KEY="your-api-key-here" 配置。随后按六步流程：处理文本生成 <cwd>/audio/segments.json、生成预览供确认、向用户确认方案、校验 segments.json、生成并合并音频（中间文件在 <cwd>/audio/tmp/，最终输出 <cwd>/audio/output.mp3）、用户确认音质后再清理临时文件。CLI 入口为 mmvoice.py，例如 python mmvoice.py generate segments_preview.json -o preview.mp3。
选音原则：先匹配性别，再匹配语言、年龄与性格角色；专业场景（故事/新闻/纪录片）优先从 voice_catalog.md 对应推荐中选取。speech-2.8 系列情感自动匹配，旧模型需手动指定情感标签。
限制：需自备 MiniMax Voice API Key 与 FFmpeg 环境；异步 TTS 单段不超过 1,000,000 字符；具体收费、价格与平台支持情况暂未提供。