前言¶
DeepSeek Harness（DSH）的理念是一切皆插件，agent 能做什么取决于装了哪些插件。但跑长任务时有个常见的不便：agent 的产出都在屏幕上——任务完成了、卡在某个决定上了、或者它觉得有件事值得说，你并不知道，除非一直盯着窗口。
常规的 TTS 方案是单向朗读：打开开关，agent 的输出被念出来，人是被动接收的一方。dsh-voice-call 把这个关系倒了过来：agent 拥有一个自己的声音，它决定什么时候开口，用 offer_call 给你打一个电话；你握着接听键——接听、拒接、稍后再说，不接就绝不播放。下面介绍它的能力、安装步骤和用法。
这是什么¶
dsh-voice-call 是 PandaPolo 维护的 DSH 插件，MIT 许可证，Fork 自 Jesse-njx/dsh-voice，在其基础上新增了通话域、crispasr 合成后端与本地播放，并针对 rc.6 的插件事件与后台任务限制做了修复。
两个设计点先说清楚：
1、本地优先，可完全离线。语音合成跑在本机 CrispASR + Qwen3-TTS GGUF 引擎上，产物是 ~/.dsh/voice/ 目录下的普通音频文件。
2、任何音频行为都不会自动运行。要出声，要么是模型自己调用了工具，要么是你接听了一次来电。
核心功能¶
offer_call：由 agent 发起的通话¶
工具签名是 offer_call({ text, voice? })。调用后来电开始振铃，人类应答：接听，则由后台任务合成并播放；拒接或选择稍后再说，工具会把决定作为结果返回给 agent，由它决定接下来怎么处理。
说与不说、说什么、用哪个音色，由 agent 决定；是否真的有声音从扬声器出来，由你决定。
来电卡片（v0.2）¶
配置 callMode: card 后，来电以浮层卡片形式振铃：双环脉冲动画、来电者身份、想说的话预览；振铃超时自动记为 missed，不会无限挂着。没有网页客户端连接时，自动回落为弹窗询问。
speak：直接朗读¶
speak({ text, voice?, rate? }) 由后台任务直接朗读，真实本地播放：Windows 用 PowerShell SoundPlayer，macOS 用 afplay，Linux 用 aplay。语速用 rate 控制。
transcribe：语音转文字¶
transcribe({ source, to? }) 把语音转成文字，作为用户消息进入会话。后端可选 whisper-local / openai / macOS 原生。to 参数可以把转写结果跨会话投递，需要 dsh-crosstalk 插件。
限制：录音入口 transcribe({ record }) 仅 macOS 支持，Windows 与 Linux 调用会明确报错。
/voice 命令¶
会话内输入 /voice 可以查询状态、用 on|off 切换朗读回复开关、用 speak <text> 让它立刻说一句。朗读回复默认关闭。
内置音色与合成后端¶
crispasr 后端内置 9 个 Qwen3-TTS CustomVoice 音色，其中 2 个是中文方言：aiden、dylan（北京话）、eric（四川话）、ono_anna、ryan、serena、sohee、uncle_fu、vivian。
合成后端不止一个：edge-tts 只合成不播放；fake 用于没有模型时的联调。
安装与启用¶
前置要求：
- Node.js ≥ 20（插件运行要求；运行本项目测试需要 22.18+）
- pnpm 9+
- dsh CLI：
@deepseek-ai/dsh0.1.2-rc.1 - CrispASR ≥ 0.8.28 与 Qwen3-TTS GGUF 模型——没有这组引擎和模型，就没有本地合成音色
- 已配置可用的 LLM API 凭据（agent 本身依赖）
1、安装插件：
dsh plugin --profile web add dsh-voice-call
插件已发布到 npm（dsh-voice-call@0.2.0），上述命令从 npm 拉取。
2、写配置。在 profile（默认 web）目录的 cordis.patch.yml 中，按 id 更新 dsh-voice-call 这一项。注意：同一个 id 只能出现一次，重复 insert 会导致启动崩溃。
Windows 示例（来自插件 README，路径按实际目录改）：
- id: dsh-voice-call
config:
tts:
backend: crispasr # 本地神经 TTS 引擎
voice: dylan # 默认音色，取内置 9 音色之一
crispasr:
bin: D:\crispasr\crispasr.exe
model: D:\crispasr\models\qwen3-tts-12hz-0.6b-customvoice-q8_0.gguf
codec: D:\crispasr\models\qwen3-tts-tokenizer-12hz-q8_0.gguf
callMode: card
readReplies: false # 朗读回复开关
durableEvents: false # rc.6 上必须保持 false
audioDir: ~/.dsh/voice
tts.crispasr 下的 bin、model、codec 分别是引擎可执行文件与两个 GGUF 模型的绝对路径；durableEvents 控制会话事件日志，默认关闭，在 rc.6 上必须保持 false，否则会话历史可能无法继续加载；audioDir 是音频输出目录，默认 ~/.dsh/voice。
3、重启 dsh web。经过上面的步骤，打开一个会话就可以验证了。
典型用法¶
1、查状态。会话内输入：
/voice
应显示 stt / tts / readReplies / audioDir 状态。
2、朗读测试。让 agent：「用 speak 工具说‘你好’。」听到声音即成功。
3、通话测试。告诉 agent：「你有 offer_call 工具——有什么值得说的就打电话给我。」来电后点接听，声音从扬声器播出。
4、排查配置。执行：
dsh --profile web --dump-config
查看合成后的完整配置树，确认插件的配置是否真的生效。
适用场景与注意事项¶
适合谁：
- 跑长任务、希望 agent 在值得开口时主动打给你的人；
- 想要本地、可离线的 TTS 链路，产物是普通音频文件的人；
- 在 macOS 上想用语音给 agent 发消息的人——转写结果会作为用户消息进入会话。
注意事项：
1、插件以当前 dsh 进程的权限运行。安装任何第三方插件前，建议先检查源码与许可证；本项目为 MIT。
2、rc.6 上 durableEvents 必须保持 false。
3、cordis.patch.yml 中同一个 id 只能出现一次，重复插入会导致启动崩溃。
4、没有 CrispASR + Qwen3-TTS GGUF 模型就没有本地合成音色；还没有模型时可以先用 fake 后端联调。
5、录音（transcribe({ record })）仅 macOS 支持。
小结¶
dsh-voice-call 把「agent 发声」做成了双方各有控制权的交互：agent 有拨号权，自己决定何时来电、说什么；你有接听权，不接就没有声音。加上本地合成、离线可用、产物是普通音频文件，整条链路都留在自己的机器上。安装一条命令，配置集中在 cordis.patch.yml，按上文步骤即可跑通。
