Kokoro 借助 OpenVoice 实现声音克隆，仅需约 600 MB 额外显存

在 audio.cpp 中新增 any-tts 配方，将 Kokoro 与 OpenVoice 的 ToneColorConverter 组合，让现有 TTS 模型无需重训即可克隆任意音色。代价是峰值显存增加约 600 MB，CUDA 下速度下降约 10%，CPU 下约为原速 0.5 倍但仍达 2 倍实时。CAM++ 测得合成音色与参考样本的相似度为 0.7-0.8，内置音色选择对结果影响明显。