语音识别由 ZenzyPaw Runtime 安全提供。
合成走流式接口（pcm16 / 24kHz），首包即播，不再等整段音频。
对话走流式 output，边生成边分句合成语音。
浏览器要求先有一次用户操作才能播放声音（移动端同时会申请麦克风权限）