用途：通过同一端点把文本合成为语音，底层可选 OpenAI 或 Gemini 两种提供方，使用统一的语音目录。使用前需要 Rebyte API 鉴权，$AUTH_TOKEN 与 $API_URL 由 agent 系统提示配置。
主要能力：OpenAI 语音默认使用 gpt-audio-mini（快、便宜），传 model: "gpt-audio" 可获得最高质量，风格由 instructions 字段（自然语言指令）控制；提供多款语音，例如 openai:marin（温暖女声）、openai:cedar（权威男声）、openai:ash（活力男声）、openai:coral（专业女声）、openai:ballad、openai:sage、openai:verse，另有 openai:nova、alloy、echo、fable、onyx、shimmer。Gemini 后端为 gemini-3.1-flash-tts-preview，风格通过在文本中书写自然语言指令控制，语音包括 gemini:Kore、Puck、Charon、Fenrir、Aoede、Leda 等，另有多款附加语音。方括号标签如 [whispers] 对短文本有效，但在部分语音与长度组合下会静默失败并返回错误，自然语言指令更稳定。Gemini 支持在单次调用中合成双人对话（synthesize_dialogue），仅限 Gemini 语音、恰好两名说话者、全部文本合计不超过 4096 字符，通常返回 wav。
使用方式：单段合成向 POST $API_URL/api/data/tts/synthesize 发送 JSON，包含 text（上限 4096 字符）、voice、instructions（OpenAI 用）、model、format；用 base64 -d 解码 audio.base64 存盘。对话使用 POST $API_URL/api/data/tts/synthesize_dialogue，传 dialogue 数组与 voices 映射。合并音频与视频可使用 ffmpeg 命令，Gemini 输出为 24kHz WAV，混入视频前建议先转 MP3。成品音频可上传到 Artifact Store 供用户访问。
适用场景：播客、旁白、广告、故事朗读、产品演示、冥想/ASMR、多人对话等；超长文本需按句子边界分块后相同语音与风格拼接。
限制：文本上限 4096 字符；对话必须为 2 名说话者且只能用 Gemini 语音；Gemini 始终返回 wav；方括号标签存在兼容性问题；延迟随输出时长增长，较长音频建议分块合成。收费、价格与额度信息暂未提供。