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/voice/voice.go

@@ -1,60 +1,60 @@
-// Package voice implements asynchronous speech-to-text and text-to-speech for
-// the Cyrene runtime, following DevDocs/design/06-多模态.md §1.
+// Package voice 为 Cyrene 运行时实现异步语音转文字与文字转语音，
+// 遵循 DevDocs/design/06-多模态.md §1。
 //
-// Voice input (STT) is transcribed to text and fed into the same agent pipeline
-// as a chat message; the reply is synthesized (TTS) back to audio. Both
-// directions degrade through a provider chain — cloud → local → edge-tts/espeak
-// → silent — so an unavailable provider falls through to the next rung instead
-// of failing the whole turn. The stub default implementations are HTTP-based and
-// testable with a stdlib httptest server; real cloud/local providers remain
-// adaptation points for later milestones.
+// 语音输入（STT）被转写为文字，并作为一条 chat 消息进入同一条智能体
+// 流水线；回复则被合成（TTS）回音频。两个
+// 方向都经一条提供方链降级 —— cloud → local → edge-tts/espeak
+// → silent —— 因此某个提供方不可用时会落到下一级，而不是
+// 让整个 turn 失败。默认实现是 HTTP 桩实现，可用
+// 标准库 httptest 服务器测试；真实的云端/本地提供方仍作为
+// 后续里程碑的适配点。
 package voice
 
 import "context"
 
-// Audio is a piece of audio data plus its encoding.
+// Audio 是一段音频数据及其编码。
 type Audio struct {
-	// Format is the encoding, e.g. "wav", "mp3", "ogg".
+	// Format 是编码格式，例如 "wav"、"mp3"、"ogg"。
 	Format string
-	// Data is the raw audio bytes.
+	// Data 是原始音频字节。
 	Data []byte
 }
 
-// STT converts audio to text.
+// STT 把音频转换成文字。
 type STT interface {
-	// STT transcribes audio and returns the spoken text. ctx controls
-	// cancellation and must be honored.
+	// STT 转写音频并返回说出的文字。ctx 控制
+	// 取消，必须被遵守。
 	STT(ctx context.Context, audio Audio) (string, error)
 }
 
-// TTS synthesizes speech audio from text.
+// TTS 从文字合成语音音频。
 type TTS interface {
-	// TTS synthesizes audio from text. ctx controls cancellation and must be
-	// honored.
+	// TTS 从文字合成音频。ctx 控制取消，必须
+	// 被遵守。
 	TTS(ctx context.Context, text string) (Audio, error)
 }
 
-// VoiceCloner creates a custom voice (声音复刻) from a public reference audio URL.
-// A nil-cloner provider (no cloud rung configured) returns ErrNotConfigured.
+// VoiceCloner 从公开的参考音频 URL 创建自定义音色（声音复刻）。
+// 未配置 cloner 的提供方（云端一级未配置）返回 ErrNotConfigured。
 type VoiceCloner interface {
-	// CloneVoice creates a custom voice and returns its voice_id. referenceURL is
-	// a public audio URL; prefix is the voice-name prefix (≤10 alphanumeric chars).
+	// CloneVoice 创建自定义音色并返回其 voice_id。referenceURL 是
+	// 公开音频 URL；prefix 是音色名前缀（≤10 个字母数字字符）。
 	CloneVoice(ctx context.Context, referenceURL, prefix string) (string, error)
 }
 
-// ctxKeyTTSInstruction is the context key for a per-request TTS instruction.
-// The TTS interface only carries (ctx, text), so an optional instruction is
-// threaded through ctx to reach the adapter without widening the interface.
+// ctxKeyTTSInstruction 是逐请求 TTS 指令的 context 键。
+// TTS 接口只携带 (ctx, text)，因此可选指令经
+// ctx 透传以抵达适配器，而无需拓宽该接口。
 type ctxKeyTTSInstruction struct{}
 
-// WithTTSInstruction returns ctx carrying an optional per-request TTS instruction
-// (emotion/tone) that overrides the configured VOICE_TTS_INSTRUCTION for one call.
+// WithTTSInstruction 返回携带一条逐请求 TTS 指令
+// （情绪/语气）的 ctx，该指令对这一次调用覆盖配置里的 VOICE_TTS_INSTRUCTION。
 func WithTTSInstruction(ctx context.Context, instruction string) context.Context {
 	return context.WithValue(ctx, ctxKeyTTSInstruction{}, instruction)
 }
 
-// TTSInstructionFromContext returns the per-request TTS instruction set by
-// WithTTSInstruction, or "" when none is carried.
+// TTSInstructionFromContext 返回由 WithTTSInstruction 设置的逐请求
+// TTS 指令，未携带时返回 ""。
 func TTSInstructionFromContext(ctx context.Context) string {
 	if v, ok := ctx.Value(ctxKeyTTSInstruction{}).(string); ok {
 		return v