[audio.cpp] 0.6版本发布：dots.tts、MiniMax-H3文本转音频（最高3倍实时）、MiniMax-Music3（预览版）等新音频模型，附带5+演示。

大家好 :) audio.cpp 0.6版本已经发布一段时间了，所以这次更多的是对已发布内容和相关改进的更新。0.6版本新增了5个模型家族：dots.tts、NeuTTS-2e、MuScriptor（音乐转MIDI）、MiniMax-H3和SenseVoice-Small，使得audio.cpp的总模型家族达到49个，模型变体超过70个。自0.6版本发布以来，贡献者们已添加了Irodori-TTS v4、IndexTTS 2.5、ACE-Step 1.5 XL和MiniMax-Music3。亮点包括：(1) 原生WebUI！非常感谢 https://github.com/mirek190 (2) 当然是MiniMax-H3和MiniMax-Music3。我们实现了MiniMax-H3的文本转音频流水线，一个有趣的用例是TTS/语音克隆/音乐生成。它比专用音频模型更灵活、更强大，性能也相当不错。请查看主帖中的多说话者对话演示，以及评论中的其他演示。我对MiniMax-H3实现非常兴奋的一点是，它极大地丰富了框架对DiT模型的构建模块。现在，你不再需要手动设置SageAttention、First Block Cache或Spectrum的麻烦。只需更改几个参数，就可以实验模型。初步的配置、内存和性能权衡检查可在仓库的 docs/reports/minimax_h3_performance.md 中找到。奖励：audio.cpp的MiniMax-H3实现还可以生成视频帧，因为DiT一起生成音频和视频潜在表示，而视频VAE路径相对容易支持。目前，输出保存为RGB帧数据加上JSON中的元数据，因此你需要自己将其编码为视频文件。不支持升频器或后处理。仅供娱乐。MiniMax-Music3目前处于预览状态（preview/minimax-music-3分支）。已测试CUDA/Vulkan/HIP。仍有优化空间。显存使用量和RTF取决于音频时长和提示长度。演示使用了官方演示提示（4000+字符说明和1200字符歌词），以及30步加CFG。在此设置下，30秒音频的显存约为11 GB，60秒为14 GB，180秒为17 GB。如果调整设置，很容易获得超实时性能并大幅降低显存使用量。(3) 适用于IOS的VibeVoice 1.5B源代码已在vibevoice-optimizations分支上发布，以防你错过。如果你想提前访问下一个版本的模型，请关注dev分支。它通常会在发布前几天更新新发布内容以供测试。欢迎对原生UI、MiniMax-Music3和audio.cpp的所有其他方面提供反馈和PR。