内容产品接入中文 TTS：流式生成、音色 ID 和字幕时间轴

用户想把一段文案变成自然旁白，也想让这个声音下次还能继续用；如果是短视频或课程场景，生成完还要能拿到字幕，最好能直接导出 SRT 或 VTT。