Add realtime multimodal token usage

[wjinxu]

Summary

• Add session-cumulative usage and per-chunk chunk_usage to realtime duplex events.
• Track text, audio, image, video, LLM output, and TTS output tokens.
• Add chunk_index to correlate text/audio events produced by the same model chunk.
• Keep cached_tokens at 0.
• Include final cumulative usage in session lifecycle events.
• Add missing TTS sampling defaults required by the Python backend.

Testing

• 58 related unit tests passed.
• Real audio realtime E2E passed (USAGE_E2E_OK).
• Real video realtime E2E passed (VIDEO_USAGE_E2E_OK).
• Verified cumulative usage equals session initialization usage plus chunk usage.

[chmod777john]

这个是否有按照 readme 里面的 docker 方式打包过镜像, docker compose 启动，然后用 examples 文件夹里面那些 probe 脚本端对端 api 调用测试过。包括视频双工和音频双工。

可以测试一下然后让 ai 写份报告粘贴在此处看看

[wjinxu]

测试报告：
按 README 的 Docker 方式构建并启动了 Gateway、Worker 和 Python Backend。
使用 audio_probe.py 和 video_probe.py 通过真实 /v1/realtime API 完成音频、视频双工测试。
两种模式均成功返回文本和音频。
usage、chunk_usage、chunk_index 均正确显示，token 总数与各模态明细一致，cached_tokens=0。