docs(comments): 注释中文化 · internal/runtime/multimodal（21 文件，纯替换）

- 只翻注释/文档字符串，代码零变化：go/scanner 词法流比对 21 文件 token+字面量全等，增删行数 1:1（467/467）
- 刻意保留非散文英文：JSON Schema description、工具 Description() 返回值、adapter prompt、API 路径与命令示例、环境变量名
- 逐行确认代码前缀未变，未触碰其他模块

internal/runtime/multimodal/doc.go

@@ -1,17 +1,17 @@
-// Package multimodal groups the runtime's non-text input/output handling:
-// image understanding (vision) and speech (voice).
+// Package multimodal 汇集运行时对非文本输入/输出的处理：
+// 图像理解（视觉 vision）与语音（voice）。
 //
-// It follows DevDocs/design/06-多模态.md:
+// 它遵循 DevDocs/design/06-多模态.md：
 //
-//   - The vision subpackage routes image messages through a layered strategy
-//     (main model first, then a tool-shaped vision/OCR adapter) and registers
-//     those adapters as sdk.Tool capabilities so the M2 tool loop can invoke
-//     them without putting the image in the main-model context.
-//   - The voice subpackage provides asynchronous STT/TTS through a degrading
-//     provider chain (cloud → local → edge-tts/espeak → silent).
+//   - vision 子包按分层策略路由图像消息（先主模型，
+//     再工具形态的 vision/OCR 适配器），并把
+//     这些适配器注册为 sdk.Tool 能力，使 M2 工具循环能调用
+//     它们，而无需把图像放进主模型上下文。
+//   - voice 子包通过一条降级提供方链
+//     （cloud → local → edge-tts/espeak → silent）提供异步 STT/TTS。
 //
-// Both subpackages keep real provider calls behind interfaces with an HTTP
-// default implementation, so they are testable with a stdlib httptest server
-// and leave the real cloud/local providers as adaptation points for later
-// milestones.
+// 两个子包都把真实的提供方调用藏在接口之后，并提供一个 HTTP
+// 默认实现，因此可用标准库 httptest 服务器测试，
+// 同时把真实的云端/本地提供方留作后续
+// 里程碑的适配点。
 package multimodal