[Question] streaming generate模式下roleplay生成音频音色不统一

在huggingface上作者们给出了使用model.chat在roleplay模式下的生成。我尝试在streaming_generate下使用roleplay模式，但是发现声音并不和我给的ref audio相似，甚至声音的性别也不相似，在多轮对话中声音也不统一。我不确定这是streaming的函数逻辑对prompt要求不同，还是其他原因？具体而言，我的代码逻辑如下：
`
ref_path = ‘my custom audio’
audio_prompt, sr = librosa.load(ref_path, sr=16000, mono=True)
sys_msg = self.minicpmo_model.get_sys_prompt(ref_audio=audio_prompt, mode='audio_roleplay', language='en')

1. prefill system prompt

res = model.streaming_prefill(
session_id=session_id,
msgs=[sys_msg], # 在这里将roleplay模式下的prompt进行prefill
tokenizer=tokenizer
)

2. prefill video/audio chunks

for content in contents:
msgs = [{"role":"user", "content": content}]
res = model.streaming_prefill(
session_id=session_id,
msgs=msgs, # 在这里对输入进行prefill
tokenizer=tokenizer
)

3. generate

res = model.streaming_generate(
session_id=session_id,
tokenizer=tokenizer,
temperature=0.5,
generate_audio=generate_audio
)

后续streaming生成

`

如果这和我的环境有关/我哪步实现有误，我可以提供我的详细脚本，我不确定这是bug还是我自己实现的原因？

Start by reproducing the provided flow with get_sys_prompt, streaming_prefill, and streaming_generate, using the custom reference audio and audio_roleplay mode. Compare the streaming behavior with the model.chat roleplay usage described in the issue; done means determining whether the inconsistent voice is an implementation bug or an incorrect streaming usage pattern.