perf(voice): 砍兜底等待 1.2s→0.5s + 语音提示词强制简短 + 时延测量

- voice.go: ClientEnd 兜底等待 1200ms→500ms(白吃的时延),首字出声 6.6s→5.3s
- voice_task.go: JARVIS 系统提示词改"必须简短/最多三句/先给结论"(语音场景长答案既拖慢
  首字又难听;注:deepseek-v4-pro 仍可能不理会长度指令,可靠收短需 max_tokens 硬顶)
- voicesim: 时延拆解(提交/首字出声/朗读完毕,以"说完"为0点)

现状:首字出声 ~5.3s,大头是 deepseek 生成第一句(大模型 TTFT);管线开销(兜底+TTS握手)已压到~1s。

Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>

sundynix-gateway/internal/handler/voice_task.go

@@ -14,9 +14,11 @@ import (
 // 语音只是"嘴替键盘"，一行编排/工具/计费逻辑都不新造：走的正是 HTTP SubmitTask 那条关卡
 // （见记忆 execution-single-entry「提交必走 preflight()+launch() 共用关卡」）。
 
-// voiceAgentSystem 是语音默认单 agent 的系统提示词：口语化、简洁、适合朗读（下行要过 TTS）。
-const voiceAgentSystem = "你是用户的语音助手 JARVIS。用简洁、口语化、适合朗读的中文回答，" +
-	"避免冗长的列表和代码块；必要时可调用工具获取信息后再作答。"
+// voiceAgentSystem 是语音默认单 agent 的系统提示词：口语化、**极简**、适合朗读（下行要过 TTS）。
+// 语音场景务必短——长答案既拖慢首字出声（要等第一句合成），又让人干听十几秒。
+const voiceAgentSystem = "你是用户的语音助手 JARVIS。这是语音对话，回答必须简短——像真人聊天，" +
+	"通常一两句话说清重点即可，最多不超过三句，别长篇大论、别列清单、别念代码。" +
+	"先直接给结论。口语化、自然、适合朗读。需要更多细节时再由用户追问。"
 
 // buildVoiceGraph 把一句转写组成最简可执行图：input(转写) → agent(JARVIS)。
 // 与前端画布 exportDsl 同构（kind=input/agent、config.text/system），dispatcher 直接吃。