dsh-voice-mode

DeepSeek Harness 全双工语音插件 —— 边说边出字 · 按句朗读 · 发声打断

在 DeepSeek Harness 会话内进行语音输入、编辑草稿和按句朗读，支持字幕及发声打断。识别在宿主端推理；默认 Edge 朗读访问微软在线服务，本地 VITS / Kokoro 可选。自动发送和打断行为可在设置中调整，实际效果取决于模型、设备、回声消除和网络。

当前状态（2026-10-28）

兼容跟进（2026-10-30）：已对最新 dsh 0.2.1-rc.5 完成锚点、类型和隔离运行时复核，详见兼容契约；这不等同真实麦克风或全平台验收。

v0.7.34 补丁版：修复 Kokoro 主模型及固定摘要支持文件因上游替换而下载校验失败的问题；可安装版本以 npm 与 Releases 为准。
升级提示：v0.7.33 不包含这项下载修复。v0.7.34 使用与既有摘要匹配的上游历史版本，不改模型、音色或缓存目录；请勿关闭摘要校验。
能力与验证分开：CI 徽章展示对应分支的检查结果；真实听感、麦克风闭环和跨平台仍有未验收项。没有“所有设备都能精准打断”或“后续所有宿主版本兼容”的承诺。
后续路线：当前路线图；具体发布变化见 CHANGELOG，历史验证见兼容契约。

💡 它是什么

在 DeepSeek Harness 的会话里，点一下麦克风就能用语音完成整轮对话：

🎤 你说 —— 一边说一边实时出字（流式识别），停顿约 1500ms 断句进草稿，再静音约 1.2 秒（合计约 2.7 秒）自动发送；
🔊 它答 —— 最终回复按句朗读，全程实时字幕跟随；
⏸️ 随时打断 —— 朗读时可发声打断；效果受设备、回声消除和噪声影响，必要时使用按住说话。

宿主 LLM 的密钥、网络与费用由宿主配置决定。

无需额外语音 API Key：识别在宿主端本地推理（zipformer2 流式 + SenseVoice 定稿）；朗读默认 Edge 云端（快、自然），可选本地 VITS 纯中文 / Kokoro 中英混读（合成在宿主端完成，不向独立在线 TTS 服务发送文本）。

🆕 发布记录摘录（历史）

v0.7.31 —— 修复 Edge 云端朗读再次失效（详见 CHANGELOG）

🔊 微软又改了 Edge 朗读的握手（2026-10-25 起），0.7.24 ~ 0.7.30 的默认朗读会整体无声；本版跟进上游修复并重建发布包，已实测合成成功。本地 VITS / Kokoro 朗读不受影响
🔐 依赖审计：修复 zod 高危公告（GHSA-mrhx-c7xc-m3w5），该依赖仅用于开发期类型检查、不进发布包

v0.7.30 —— 兼容 dsh 0.2.1-rc.3

🧩 覆盖矩阵扩到 18 个宿主版本 / 15 个隔离核心冒烟；兼容声明（中英 README、manifest）同步到 0.2.1-rc.3

v0.7.29 —— 对抗验证修复批（详见 CHANGELOG）

🧩 长句还在识别时接着说下一句，前一句不再被吞；朗读中按住打断再上滑取消后，下一句不再丢
⏱️ 长朗读、长工具回合不再被「空闲退出」掐断（距最后一次真实操作满 2 小时才退出）
🔤 回复含 &、<、> 时 Edge 朗读不再整句跳过；本地 Kokoro 下载完成后可完全离线
🌐 模型下载卡住 120 秒自动换源；点麦克风转圈时再点一次即取消，8 秒无应答自动收尾
♿ 读屏软件只播报状态变化，不再被实时转写和计时刷屏

v0.7.28 —— 输入框内快捷键与按住说话优化（社区贡献 @dyguests，PR #17）

⌨️ 光标在输入框里按 Alt+Enter（Mac 为 Option+Enter）即可进入 / 退出语音模式，不会插入换行；可在设置里改键或留空禁用
🎙️ 设置新增「快捷键」分组：点「录制」直接按组合键录入，Esc 取消、Backspace 清空，缺修饰键或不支持的键会提示；改完立即生效，不用刷新
✋ 按住说话：空闲时直接按住就开始录；松手发送后等回复读完自动退出；点麦克风按钮不再抢走输入框光标
🔊 没有句末标点的长文字（含英文）朗读分段更自然，打断更及时

v0.7.27 —— 麦克风按钮即状态面板（社区贡献 @dyguests，PR #16）

🎛️ 按钮挂到发送键旁，状态全写在按钮上：聆听绿条、朗读蓝条随音量跳动，出错红点、说话橙点；右键一键切交互模式 / 朗读范围 / 字幕 / 状态条
🔁 说完就关（mode: once）：说一句 → 自动发送 → 读完回复 → 自动退出，适合偶尔问一句
📖 总是朗读（readAloud: always）：打字发的消息也读出来；代码块自动跳过；点一下按钮就停

🤔 为什么值得用（3 个真痛点）

#	痛点	我们的应对
1	字幕看不清 —— 字小、窄屏被输入框挡住	`captionFontSize` 4 档（12/14/18/24px）+ `captionMaxWidth` 3 档（50/70/90vw）
2	让位误打断 —— AI 朗读时插一句「嗯/对」就被硬打断	`backchannelYield` 让位语义：短词自动让位 1.5s，真要说走才硬打断
3	本地 TTS 太机械 —— 一句话读完停顿 3-5 秒	VITS 使用 WASM、Kokoro 使用原生 addon，并在子进程合成；按句排队播放，间隔依赖模型和硬件

✨ 功能（按用户价值）

🎙️ 识别准 —— SenseVoice 多语种定稿 + ITN（数字/日期/货币自动规范化）
🗣️ 不说错 —— 唤醒词待机、唤醒词前缀语气词白名单（嗯/那个 不再误触）
🤝 让位 —— 让位语义 + 三档打断灵敏度（interruptLevel），外放效果取决于设备和回声消除，必要时用按住说话
💬 有感情 —— 提供内置音色列表和试听；Edge 可用音色随在线服务变化，失败会提示
👁️ 字幕 a11y —— 4 档字号 + 3 档宽度，浅色主题变量跟随 dsh 主题
✋ 打断不吃句 —— 朗读中开口打断，打断前说的话自动并入识别；任务运行中开口直接插话
🔁 三种交互 —— 持续聆听 / 按住说话 / 说完就关；朗读范围可选语音模式 / 总是 / 关闭

🎬 Demo

语音模式真实录制：流式转写 → 自动发送 → 按句朗读 + 实时字幕

麦克风按钮即状态面板（@dyguests 贡献，PR #16）：聆听时绿色竖条随音量跳动、朗读时蓝色竖条、「说完就关」等回复时转圈、收尾对勾；右键可切换交互模式 / 朗读范围 / 字幕 / 状态条 / 自动发送。在右键菜单关掉状态条与字幕后，语音 UI 全部收进按钮（下图即此形态）：

真实录制：语音输入全部收拢到右下角麦克风按钮

上图为界面的真实录制示例（由 screenshots/scripts/capture-demo.mjs 驱动真实链路产出，非 UI 摆拍；UI 持续演进，以实际界面为准）。设置面板见使用说明。

🚀 快速开始（Quick Start）

首次需要下载模型，耗时随网络与硬件变化；宿主 LLM 仍需单独配置。

dsh plugin --profile web add dsh-voice-mode
# 安装到 web profile 后，按实际部署方式重启宿主

第一次用：

进入任一会话，按 Ctrl+Shift+V（或点输入区麦克风按钮）进入语音模式，状态条显示「聆听中…」；
说一句完整的话（如「帮我看看今天的天气」）→ 实时字幕立即出现，停顿后断句进草稿、再静音片刻自动发送；
AI 回复开始朗读时，尝试发声打断，检查朗读是否停止及后续转写；设备上不可靠时使用按住说话。

操作手势

手势	作用
`Ctrl+Shift+V`	进入 / 退出语音模式（应用内，可改）
输入框内 `Alt+Enter`（Mac 为 `Option+Enter`）	光标在输入框里时进入 / 退出语音模式，不插入换行（设置 `composerShortcut`，留空禁用；`Cmd/Ctrl+Enter` 仍是发送）
直接说话（toggle）	边说边出字，停顿约 1500ms 断句进草稿、再静音约 1.2 秒（合计约 2.7 秒）自动发送；按住 `Ctrl` 强制立即发送
按住麦克风按钮（hold）	空闲时直接按住就开始录音（短按仍是进入）；松手发送，等回复结束（开朗读则读完）自动退出语音模式；关闭自动发送时松手只把文字留在输入框并直接退出；按住没说话约 25 秒后自动退出；滑出 / `Esc` / 失焦放弃本段。等待或朗读期间单击麦克风 = 停止朗读并完全退出
点输入框旁模式按钮	在「持续聆听 ⇄ 按住说」间切换（保存到设置）
AI 朗读时开口说话	打断朗读并取消当前回合
点状态条「退出」	退出语音模式
点字幕浮层「跳过」	跳过当前句朗读

⚙️ 配置

所有 dsh 版本通用入口：设置（Settings）→ 语音模式（Voice Mode）——插件在 Settings 弹窗里注册了专属设置页。另有按版本不同的次要入口：

dsh 版本	次要入口	设置存放
≤ 0.1.5	设置 → Plugins → 插件配置 → 语音模式	dsh 官方设置存储
0.1.6-alpha 及以后	左侧 Plugins → 已安装的 `dsh-voice-mode` → 详情页「语音模式」卡片	0.1.6：dsh 官方设置存储；0.1.7+（含 0.2.0）：插件自有文件 `~/.dsh/voice-mode.settings.json`（`$DSH_HOME` 下）

0.1.7+ 说明：官方设置存储不接受本插件条目的写入，故卡片改写插件自己的覆盖层文件——优先级高于 profile 配置里的同名键；要恢复为 profile 配置/默认值，把文件内容改成 {}（不要删除——首次运行会从旧 settings.yaml(.imported) 的 voice-mode: 段迁移一次，删除会触发再次迁移）；重装或升级插件不丢设置；某个键在升级后变为非法值时仅该键回落默认。

生效时机分四档：① 即时（快捷键/交互模式/朗读范围/自动发送/字幕/状态条、朗读引擎/音色/语速/口语化提示词/模型镜像）② 下次识别时（定稿重译/逆文本归一化）③ 下一段话（静音判定时长）④ 下次进入语音模式（其余大部分）。设置卡片顶部会列出「已保存但未生效」的项及其当前生效值——改完没立刻生效先看这里。

常用设置键

你想调什么	改哪个键	默认	说明
逆文本归一化	`senseITN`	`true`	SenseVoice 数字/日期/货币规范化（默认开，关掉保留原文）
字幕字号	`captionFontSize`	`0`	档位 0=12px / 1=14px / 2=18px / 3=24px
字幕宽度	`captionMaxWidth`	`1`	档位 0=50vw / 1=70vw / 2=90vw
让位语义	`backchannelYield`	`true`	朗读期说「嗯/对」自动让位 1.5s，真要说走硬打断（ADR-0008）
静音断句	`silenceMs`	`1500`	停顿多久定稿（毫秒）
输入框内快捷键	`composerShortcut`	`Alt+Enter`	光标在输入框里时切换语音模式、不插入换行（Mac 为 Option+Enter）；留空禁用；可点「录制」直接按键录入
语速 / 空闲退出	`rate` / `idleTimeoutMinutes`	`1.1` / `5`	Edge 语速倍率；空闲分钟数（朗读计为活动）

字段名保持向后兼容，旧 ~/.dsh/settings.yaml 可直接沿用。

完整 29 项设置表见使用说明 · 设置。

🏛️ 架构（Architecture）

dsh-voice-mode 语音双工数据流

flowchart LR
    subgraph Client["浏览器 Client"]
        Mic[麦克风 16kHz<br/>AudioWorklet] --> VAD[客户端 VAD<br/>RMS 分段]
        VAD -->|partial 0.9s| PC[partial 出字 + 字幕浮层]
    end

    subgraph Host["宿主 dsh.host"]
        ASR[zipformer2 流式识别<br/>host 端 WASM] --> SV[SenseVoice 定稿<br/>+ ITN + 标点]
        SV --> Draft[composer draft<br/>autoSend]
        Draft --> Tap[llm/stream tap<br/>仅观察·不阻塞]
        Tap --> Seg[sentence segmenter]
        Seg --> Q[TtsQueue<br/>epoch 打断]
        Q --> TTS{引擎}
        TTS -->|edge| Edge[Edge 云端]
        TTS -->|vits| Vits[本地 VITS<br/>WASM]
        TTS -->|kokoro| Kokoro[本地 Kokoro<br/>原生 addon]
    end

    PC -->|audio f32 PCM| ASR
    Edge -.->|SSE audio frame| PC
    Vits -.->|SSE audio frame| PC
    Kokoro -.->|SSE audio frame| PC
    VAD -.->|唤醒词/打断| Host

详细架构决策：见 docs/adr/ 12 个 ADR。

🔍 与早期上游实现的历史对照

维度	早期上游（历史）	dsh-voice-mode（本插件）
识别模型	云端 API（需 key）	本地 zipformer2 + SenseVoice（零 key）
多语种	英文为主	SenseVoice 自动识别（zh/en/ja/ko/yue）+ ITN
朗读引擎	云端 TTS	Edge 云端 + 本地 VITS/Kokoro 三选一
打断检测	基础 VAD	三档灵敏度 + 回声门控 + 让位语义
字幕 a11y	无	4 档字号 + 3 档宽度 + 主题跟随
唤醒词	无	轻量流式匹配 + 前缀语气词白名单
兼容 dsh	—	声明范围 `>=0.1.1-rc.2 <0.3.0-0`；已测版本见兼容契约，未测版本不保证

🛠️ 故障排查

现象	处理
点麦克风无反应，状态条红字	浏览器拒绝麦克风：地址栏（iOS 为设置 → Safari → 麦克风）开启后重试
状态条「正在加载模型… x%」卡住	检查网络；模型较大可先 `npm run prefetch`；国内网络 `modelHost` 配 `https://hf-mirror.com`
朗读无声音 / 无字幕	本地引擎首次合成需加载模型；若持续失败看状态条提示（自动退避重试）；确认页面前台且未静音。默认的 Edge 云端朗读依赖微软在线服务：若连续多句失败，会提示「云端朗读暂不可用」——本地模型已就绪时可手动切到 VITS / Kokoro；未就绪时保留草稿/纯文本，并检查本页 Kokoro 升级说明（微软已两次变更握手：2026-10-15 起 v0.7.23 及更早版本无声 → 修于 0.7.24；2026-10-25 起 v0.7.24 ~ v0.7.30 无声 → 修于 0.7.31，请升级到 ≥0.7.31）
语音模式进不去	检查插件 `enabled`；多标签页时确认当前会话为活动会话
识别到但不是我要说的	环境噪声：先减少噪声并对比实时转写和定稿；`interruptLevel` 只影响打断，不提高识别准确率
打不断（朗读中开口无反应）	将 `interruptLevel` 向 2 调整（2 最敏感，0 高门槛），检查麦克风/AEC；仍不可靠时使用按住说话。`echoGateDb` 仅在无原生 AEC 时作为兜底
字幕被输入框挡住	默认 `captionMaxWidth=1`（70vw）+ `captionFontSize=0`（12px）在窄屏可能与底部输入框重叠；调整档位，或关闭语音模式后点状态条浮层右上角「×」收起
让位行为异常（朗读期说「嗯」不停 / 真话被打断）	「嗯/对」类短词触发让位 1.5s（hold）后继续朗读；继续说真话会走硬打断；如不要让位语义把 `backchannelYield` 关闭即可恢复改造前行为（ADR-0008）
朗读期说「嗯」没让位	确认 `backchannelYield=true`（默认开）；hold 模式松手后让位 1.5s 内继续说话会变硬打断
空闲 5 分钟自动退出（不想退）	调高 `idleTimeoutMinutes`（默认 5 分钟，朗读计为活动）

已知限制：Ctrl+Shift+V 会覆盖浏览器「粘贴纯文本」快捷键（普通粘贴仍用 Ctrl+V）；识别为简体中文优先；Safari / iOS 需 HTTPS 或 localhost、首次需授权麦克风、后台 / 锁屏会暂停识别与朗读。

🛣️ 路线图（Roadmap）

当前路线图统一记录优先级、候选准入、验收门槛与回滚条件。

先闭环已确认缺陷，验证真实 ASR → 可编辑草稿 → 发送 → TTS。
优先解决丢句、误发、编辑冲突和恢复成本等高损失体验问题。
推进可控的模型更新与回退；新模型或协议只有实测瓶颈证据才进入实验，不承诺必增后端。

客户端 VAD、WebSocket 重写、声音克隆与广泛工具控制不作为已批准的近期工作。历史 backlog保留先前研究，旧 Ready 和估时不构成当前承诺。

📚 文档

文档	说明
完整使用说明（中文）	功能 / 手势 / 设置 / 配置 / 已知限制 / 故障排查
English docs	Same, in English
docs/ 索引	架构决策 / 实施计划 / 真机验收 / 规则 / 调研 / 竞品
60 天迭代博客	从 91 到 254 项测试的故事（历史计数，非当前门禁结果）
CHANGELOG.md	已发布与 Unreleased 分开记录
后续路线图	优先级、候选准入、验收与回滚
RELEASE-NOTES.md	历史归档（v0.7.7 60 天时间线 / v0.7.11 五版本实测；现行发布说明见 CHANGELOG.md）

🤝 Contributing / 📄 License / 🙏 Acknowledgments

贡献前请阅读贡献指南。

License: MIT

Contributing: PR 欢迎，但请先读 docs/adr/ 12 个 ADR + CONTEXT.md + docs/rules/STATE.md。

Acknowledgments：

上游：haoku123/dsh-voice（派生声明见子包 LICENSE）
核心依赖：sherpa-onnx（Apache-2.0，本地 ASR / VITS / Kokoro 推理）/ msedge-tts（Edge 云端 TTS）
测试支持：awesome-dsh-plugin（收录到精选列表）
11 批次周全修复参与贡献者：见 docs/rules/STATE.md § 批次进度表

📌 项目维护：仓库遵循「外科手术式改动」纪律 —— 不顺手优化、不重构无关代码、不强推发布历史；每个 commit 单一职责，便于审查与回滚。详见 CONTEXT.md。

dsh-voice-mode

PLUG IN

README

dsh-voice-mode

当前状态（2026-10-28）

💡 它是什么

🆕 发布记录摘录（历史）

🤔 为什么值得用（3 个真痛点）

✨ 功能（按用户价值）

🎬 Demo

🚀 快速开始（Quick Start）

操作手势

⚙️ 配置

常用设置键

🏛️ 架构（Architecture）

🔍 与早期上游实现的历史对照

🛠️ 故障排查

🛣️ 路线图（Roadmap）

📚 文档

🤝 Contributing / 📄 License / 🙏 Acknowledgments

SIMILAR PLUGINS

modlens

dsh-plugin-wallpaper-engine

dsh-blender-plugin

dsh-vision-router