Add isolated Qwen3 TTS runtime, GUI setup and speech endpoint

ENDPOINT.md

@@ -46,7 +46,7 @@ Alle Inferenzrouten benötigen `Authorization: Bearer <Deck-API-Token>`.
 | GET | `/health` | Listener-Health, ebenfalls authentifiziert |
 | POST | `/v1/chat/completions` | Textchat, JSON und SSE-Streaming, Sampling-Defaults aus dem Profil |
 | POST | `/v1/images/generations` | Qwen-Image-2.1-Rezept, n=1, `b64_json` |
-| POST | `/v1/audio/speech` | 501: noch kein eigener TTS-Worker |
+| POST | `/v1/audio/speech` | Qwen3-TTS CustomVoice, WAV-Ausgabe |
 | POST | `/v1/audio/transcriptions` | 501: noch kein eigener STT-Worker |
 
 `model` ist immer der **API-Profilname**, nicht der GGUF-Dateiname. Bildaufträge
@@ -55,7 +55,7 @@ verwenden die gespeicherte Auflösung, Schritte, Guidance und Seed; eine explizi
 eigenen Jobverzeichnis. Kein Bildprompt wird persistiert; PNG-Metadaten sind
 deaktiviert. n=1; Ausgabe zunächst als Base64, keine öffentlich abrufbaren Bild-URLs.
 Die API ist bewusst ein Teilumfang: noch keine `/v1/responses`, Embeddings,
-Vision-Eingaben, Bildbearbeitung, Video oder Audio-Worker. TTS/STT benötigen keinen
+Vision-Eingaben, Bildbearbeitung, Video oder STT-/Musik-/Voice-Worker. TTS/STT benötigen keinen
 eigenen Port, sondern eigene Routen und Worker hinter demselben Listener.
 
 Chat akzeptiert übliche Nachrichten, Tools, response_format, Sampling-Overrides
@@ -158,3 +158,7 @@ oder Zeitlimit als mögliche Ursachen. Bestehende Anwendungslogs werden nicht ge
 Der interne Chat-Test liefert `job.timings` (Prefill/Generierung: Token, Millisekunden und Token/s) und `job.usage` aus der finalen llama.cpp-Streamantwort. Fehlende Messwerte bleiben leer, insbesondere bei Abbruch. Prefill zählt berechnete Token, usage die gesamte Eingabe inklusive wiederverwendetem Kontext. Modellladen und Warteschlange sind nicht Teil der Token/s.
 
 Profilfreigaben: mehrere Chatprofile, höchstens ein Bildprofil. Die Auswahl eines Bildprofils entfernt atomar alle anderen Bildfreigaben; laufende Antworten werden dadurch nicht abgebrochen. Der Haken in der Profilkarte zeigt die gespeicherte Freigabe, nicht den Ladezustand. Beim Laden alter Konfigurationen mit mehreren Bildfreigaben bleibt die erste gespeicherte Bild-ID ausgewählt.
+
+### Sprachausgabe
+
+`POST /v1/audio/speech` verwendet ein ausdrücklich freigegebenes TTS-Profil als `model`, `input` (1–1000 Zeichen), optional `voice` (Standard Ryan), `language` (Standard German), `speed` (0,25–4; sonst Profilwert) und `response_format: "wav"`. Antwort: WAV-Datei, kein JSON. MP3 und Streaming sind noch nicht unterstützt. TTS teilt sich die Reservierung mit Chat und Bildern; fremde GPU-Prozesse werden nicht beendet. Das Modell wird nach jeder Ausgabe entladen.