接入 mlx-audio：新增 STT / TTS / STS 三类引擎

服务端原本只认识语言模型和视觉语言模型。这个 PR 加进来的不是几个端点，而是一类新的引擎：语音的三种引擎都是单次前向、没有 KV cache，因此显存策略与 LLM 不同，需要改动模型分类、加载与淘汰这条核心路径。

上游的语音库对不同模型家族的加载与输出约定并不统一，所以其中一层是家族适配。mlx-audio 作为可选依赖惰性导入，不影响不用语音的部署。

这是这批贡献里最大的一个，也是唯一改动服务端核心的一个。代码至今仍在主干上，之后有其他贡献者在其上继续开发。