dots.tts-mf generating 2-3 seconds of garbled audio after short text synthesis.

## 现象

dots.tts-mf 在**短文本**合成时，模型说完原句后**不停止**，继续生成约 2-3 秒乱码音频——听起来像中文胡言，有时混入英文单词（如 "technology"），有时 ASR 完全识别不出（如把"我吃饭吗。"识别成"诺克萨曼蒙"）。

**关键对比**（附件 wav）：

| 输入 | 时长 | ASR 识别 | 结果 |
|---|---|---|---|
| `"我吃饭吧？"` (5字+问号) | 1.44s | "我吃饭吧。" | ✅ 干净说完即停 |
| `"我吃饭吗。"` (5字+句号) | 3.20s | **"诺克萨曼蒙"** | ⚠️ 外语乱码 |
| `"这怎么说？"` (5字+问号含"怎么") | 3.73s | (中文胡言) | ⚠️ 问号也救不了 |
| `"嗯？"` (1字+问号) | 3.20s | (无法识别) | ⚠️ 1字 100% 必乱 |

## 复现

环境：
- 模型：`rednote-hilab/dots.tts-mf`
- 硬件：DGX Spark (GB10 / aarch64 / CUDA 13.0)
- PyTorch：2.12.0+cu130
- 配置：`precision="bfloat16", optimize=True, num_steps=6, guidance_scale=1.2, speaker_scale=1.5`
- `torch.cuda.set_per_process_memory_fraction(0.75)` 已设
- `prompt_text=None`（x-vector-only cloning）
- 参考音频 ≤6s 真人录音

```python
result = runtime.generate(
text="我吃饭吗。", # 5字+句号 → 触发乱码
prompt_audio_path="ref.wav",
prompt_text=None,
language="ZH",
num_steps=6,
guidance_scale=1.2,
speaker_scale=1.5,
)
# 期望 ~1.5s，实际 3.2s，后 1.7s 是外语乱码
```

诊断脚本（带 EOS 探针）：github.com/niugtd/dots-tts-s...

## 实测规律（294 runs 系统扫描）

经过 4 个阶段共 **294 runs** 测试，发现乱码率由**字数 + 标点 + 词汇结构**三要素综合决定。

### 规律 1：句末标点是首要因素

5 字同句干"我吃饭吧" × 3 语气词 × 3 标点（27 runs）：

| 标点 | 吧 | 吗 | 呢 |
|---|---|---|---|
| **问号 ？** | **0/3 ✅** | **0/3 ✅** | **0/3 ✅** |
| 句号 。 | 3/3 ⚠️ | 3/3 ⚠️ | 3/3 ⚠️ |
| 感叹号 ！ | 3/3 ⚠️ | 3/3 ⚠️ | 3/3 ⚠️ |

标点变种完整对照（"我吃饭吧" 5字）：
- ✅ 安全：**无标点**、**逗号中间**"我吃饭，吧。"、**问号**
- ⚠️ 危险：句号、感叹号、省略号、末尾逗号、双标点"？！"、"！？"

#...