feat: 实现完整可观测性架构与火山v3适配器重构

重构整体架构：
1.  新增telemetry包实现零依赖的Prometheus指标系统
2.  新增metrics包集中管理业务埋点指标
3.  重构火山v3适配器，拆分client/request/response等模块
4.  替换旧的service/stats统计系统为标准指标埋点
5.  新增/metrics观测端点与完整仪表盘支持

功能更新：
- 实现基于IP的限流与并发限制，添加指标埋点
- 重构TTS控制器，支持多格式输出与完整错误分类
- 更新.env.example配置示例，新增多项可选参数
- 替换旧的volcano适配器实现，支持完整的v3 API特性
- 清理冗余代码，移除service/stats与旧adapter实现

dto/tts.go

@@ -1,7 +1,10 @@
-package dto
+package dto
 
 import "time"
 
+// OpenAITTSRequest 是 /v1/audio/speech 接收的请求体。
+// 仅 input / speed / response_format 实际影响火山侧;
+// voice / model 当前保留接收但不做映射,详见 controller。
 type OpenAITTSRequest struct {
 	Model          string  `json:"model"`
 	Input          string  `json:"input"`
@@ -10,6 +13,7 @@ type OpenAITTSRequest struct {
 	Speed          float64 `json:"speed,omitempty"`
 }
 
+// V3TTSResponse 是火山 v3 HTTP Chunked 流式响应中每一行的 JSON 结构。
 type V3TTSResponse struct {
 	ReqID    string   `json:"reqid"`
 	Code     int      `json:"code"`
@@ -22,20 +26,39 @@ type V3TTSResponse struct {
 	Usage    *V3Usage `json:"usage,omitempty"`
 }
 
+// V3Usage 由 X-Control-Require-Usage-Tokens-Return 触发,包含计费字符数。
 type V3Usage struct {
 	TextWords int `json:"text_words"`
 }
 
+// ByteDanceTTSConfig 是 setting 包的全局 TTS 配置,目前只承载鉴权 / URL / 超时;
+// 完整的合成参数见 adapter/volcano.Options。
 type ByteDanceTTSConfig struct {
 	ApiKey     string
 	ResourceId string
-	Speaker    string
 	URL        string
 	Timeout    time.Duration
 }
 
+// SynthesisResult 是火山适配器向 controller 返回的最终结果。
+// Format 与 AudioData 的实际编码一致;controller 据此设置响应 Content-Type。
 type SynthesisResult struct {
-	AudioData []byte
-	ReqID     string
-	Format    string // 实际输出格式，用于设置 Content-Type
+	AudioData  []byte
+	Format     string
+	SampleRate int
+	ReqID      string
+	TextWords  int           // 来自 V3Usage,无 usage 时为 0
+	Chunks     int           // 实际收到的音频 chunk 数
+	AudioBytes int           // 解码后总字节数
+	TTFB       time.Duration // 收到首个音频 chunk 的耗时
+	Duration   time.Duration // 整体合成耗时
+}
+
+// SubtitleEntry 描述一个字级时间戳条目(当 enable_subtitle / enable_timestamp 启用时返回)。
+type SubtitleEntry struct {
+	Text     string
+	StartMs  int
+	EndMs    int
+	Sequence int
+	// 原始事件可能为不同形态,这里只保留通用字段
 }