前言¶
DSH 的理念是「一切皆插件」。这里提到的社区目录是独立站点，不与 DeepSeek / 幻方构成官方从属关系。
对 DSH 的 web 客户端来说，文字输入之外还有一个具体需求：说话时能看到实时字幕，助手回复时也能被打断。haoku123/dsh-voice 提供的就是这种语音模式。
这是什么¶
haoku123/dsh-voice 由 haoku123 维护，许可证为 MIT。它的定位是 DeepSeek Harness 的全双工语音模式：streamed ASR → LLM → TTS with barge-in。
浏览器侧负责录制并发送 raw little-endian f32 PCM，host 侧运行 ASR 和 TTS。DSH 的 web client 会注入：
@deepseek-ai/dsh-client-runtime@deepseek-ai/dsh-client-ui-slots
核心功能¶
下面介绍几个和实际使用最相关的点。
语音链路¶
先做采集，再做识别，然后提交模型，最后把回复读出来：
- 浏览器录制语音，得到 raw little-endian f32 PCM。
- 识别交给 host 侧的
SenseVoice，通过sherpa-onnx运行；输出包含 native simplified-Chinese output、punctuation 和 inverse text normalization（ITN）。 - 模型响应经过
llm/streamtap。这个 tap 是 lossless 的：chunks yielded unchanged，sentence segmenter 只观察。 - TTS 使用
msedge-tts，以 SSE audio frames 和 caption text 的形式流式回传。
三种说话方式¶
插件提供三种 dictation gestures：
| 手势 | 行为 |
|---|---|
| tap the mic | continuous dictation；VAD segments on trailing silence |
| hold the send key（or the mic） | records until release；slide up to discard |
hold Ctrl（可配置 asr.hotkey） |
press-to-talk without leaving the keyboard；Esc discards |
如果走 press-to-talk，它 bypasses VAD；短于 250ms 的 capture 会被当作 mis-taps 丢弃。
实时字幕¶
按住麦克风或 send key 时，overlay 显示 live caption：interim transcript preview，并保留 spinner until final transcript lands。
这里有一个边界：SenseVoice 不是 streaming model。live caption 的 interims 只是 previews only，超过 12s 音频会停止，并且如果 interim 在释放后才落地，会被丢弃，避免覆盖 final transcript。
Barge-in 与回声抵消¶
barge-in 由 leading speech edge 触发。触发后：
- stops local playback；
- drops queued and in-flight host TTS synthesis；
- cancels running turn。
回声抵消使用 NLMS acoustic echo canceller，以 page TTS playback 作为 echo reference。
端点检测与模型缓存¶
端点检测使用 RMS endpoint detection：16kHz getUserMedia，2s trailing-silence cutoff，max 30s segment，并带 pre/post padding。
模型文件通过 cache-through HF model proxy 获取，支持从 partial .part files resume。可以用 npm run prefetch 做一次 warm-up。
modelHost 接受任意 HF-compatible mirror，例如：
https://hf-mirror.com
安装与启用¶
先确认环境满足要求：需要 Node ≥ 22.19 或 ≥ 24，因为用到 node:zlib 的 zstd APIs。
然后按插件安装命令启用：
dsh plugin --profile web add <repo-url-or-path>
dsh --profile web
上面的 <repo-url-or-path> 是占位符，需要按仓库实际提供的安装参数替换。
与本文相关的主要配置项示例：
asr:
hotkey: Control
modelHost: https://hf-mirror.com
peer dependencies 包括：
@deepseek-ai/cordis ^4.0.1@deepseek-ai/dsh-web ^0.1.0-rc.6react ^18.2.0
典型用法¶
先预热模型缓存：
npm run prefetch
该命令默认使用：
http://127.0.0.1:3080
然后按场景选择输入方式：
- tap the mic：continuous dictation，VAD 按 trailing silence 分段。
- hold the send key 或 hold the mic：录制到松开为止；slide up 可以丢弃。
- hold
Ctrl：不离开键盘做 press-to-talk；按Esc丢弃。
经过上面的步骤，语音会被识别、提交，并作为带 caption 的音频回复流式播放。
适用场景与注意¶
适合在 DSH web 客户端中使用语音输入，尤其是需要中文识别输出、实时字幕、流式 TTS，以及希望助手播放过程中可以被打断的场景。
使用注意：
SenseVoice不是 streaming model；live caption 的 interim 只是预览，不能视为最终识别稿。- live caption 超过 12s 音频会停止；release 后到达的 interim 会被丢弃。
- press-to-talk 不走 VAD；短于 250ms 的 capture 会被丢弃。
- RMS endpoint detection 有 16kHz、2s trailing-silence cutoff 和 max 30s segment 这些参数。
- 插件需要 Node ≥ 22.19 或 ≥ 24。
- 插件以当前
dsh进程权限运行；安装前应检查源码与 MIT 许可证。
链接¶
- GitHub：
https://github.com/haoku123/dsh-voice - 目录页（来源为插件线索）：
https://www.skillhub.cn/plugins/haoku123/dsh-voice
