长文本声音失真严重问题

差不多300字左右就开始出现严重问题，一开始是用自己的音频数据来做复刻，发现到后面有严重的声音失真问题。测试内容如下：
参考音频：-Hl_CLJa-jg-Scene-006-18762_20-30.wav
测试结果：ref_continuation_male.wav

后来试了一下提供的参考音色：项目库里的reference_speaker.wav
从输入和推理两方面都测试了一下：Continuation以及Reference + Continuation，原始推理、nano-vllm、vllm-omni都出现了声音失真问题。
text: 各位朋友大家好，非常感谢你抽出宝贵的时间来收听这段较长的语音内容。今天我想通过这段大约三百字的文本，来完整地测试语音合成系统在长文本场景下的综合表现。首先，我们关注的是语气的自然与连贯，一段好的合成语音，应该像真人朗读一样，有轻重缓急，有恰当的停顿，而不是机械生硬地把字念出来。其次，是情感的表达，无论是平静的叙述、由衷的感叹还是好奇的提问，声音都应该随着内容自然地起伏变化。此外，长文本还格外考验系统的稳定性，比如会不会出现忽快忽慢、吞字漏字，或者到后半段音质明显下降的问题。如果这段话能够从头到尾保持清晰、自然、稳定，那么就说明这套系统在实际应用中是值得信赖的，再次感谢你的聆听。
prompt_text: 喂喂喂，说你呢，要是再不把桌子上的冰激淋吃掉，我可就要没收了哦，别以为我不知道你昨天晚上又熬夜打游戏了。下次再这样，我真的要生气啦。哼！
prompt_wav & reference_wav: reference_speaker.wav

结果：ref_continuation.wav 20s左右就失真严重了

是不是voxcpm2模型存在问题，1.5好像这个问题没有这么严重

Start by reproducing the long-text case with the attached reference_speaker.wav and the provided text, then compare Continuation and Reference + Continuation across the original inference path, nano-vllm, and vllm-omni. The reported result is severe distortion after about 20 seconds or 300 characters; done means identifying whether VoxCPM2 is responsible and documenting or resolving the regression relative to VoxCPM1.5.