输入文本，选择系统音色或自己的音色，生成适合播客、课程、短视频旁白的中文语音。
预计点数：每 100 字约 5 点，最低 5 点；生成前请确认钱包余额充足。
选择平台或自定义音色时会校验音色的 targetModel。