前言¶
DeepSeek Harness（DSH）的理念是一切皆插件，agent 能做什麼取決於裝了哪些插件。但跑長任務時有個常見的不便：agent 的產出都在屏幕上——任務完成了、卡在某個決定上了、或者它覺得有件事值得說，你並不知道，除非一直盯着窗口。
常規的 TTS 方案是單向朗讀：打開開關，agent 的輸出被念出來，人是被動接收的一方。dsh-voice-call 把這個關係倒了過來：agent 擁有一個自己的聲音，它決定什麼時候開口，用 offer_call 給你打一個電話；你握着接聽鍵——接聽、拒接、稍後再說，不接就絕不播放。下面介紹它的能力、安裝步驟和用法。
這是什麼¶
dsh-voice-call 是 PandaPolo 維護的 DSH 插件，MIT 許可證，Fork 自 Jesse-njx/dsh-voice，在其基礎上新增了通話域、crispasr 合成後端與本地播放，並針對 rc.6 的插件事件與後臺任務限制做了修復。
兩個設計點先說清楚：
1、本地優先，可完全離線。語音合成跑在本機 CrispASR + Qwen3-TTS GGUF 引擎上，產物是 ~/.dsh/voice/ 目錄下的普通音頻文件。
2、任何音頻行爲都不會自動運行。要出聲，要麼是模型自己調用了工具，要麼是你接聽了一次來電。
核心功能¶
offer_call：由 agent 發起的通話¶
工具簽名是 offer_call({ text, voice? })。調用後來電開始振鈴，人類應答：接聽，則由後臺任務合成並播放；拒接或選擇稍後再說，工具會把決定作爲結果返回給 agent，由它決定接下來怎麼處理。
說與不說、說什麼、用哪個音色，由 agent 決定；是否真的有聲音從揚聲器出來，由你決定。
來電卡片（v0.2）¶
配置 callMode: card 後，來電以浮層卡片形式振鈴：雙環脈衝動畫、來電者身份、想說的話預覽；振鈴超時自動記爲 missed，不會無限掛着。沒有網頁客戶端連接時，自動回落爲彈窗詢問。
speak：直接朗讀¶
speak({ text, voice?, rate? }) 由後臺任務直接朗讀，真實本地播放：Windows 用 PowerShell SoundPlayer，macOS 用 afplay，Linux 用 aplay。語速用 rate 控制。
transcribe：語音轉文字¶
transcribe({ source, to? }) 把語音轉成文字，作爲用戶消息進入會話。後端可選 whisper-local / openai / macOS 原生。to 參數可以把轉寫結果跨會話投遞，需要 dsh-crosstalk 插件。
限制：錄音入口 transcribe({ record }) 僅 macOS 支持，Windows 與 Linux 調用會明確報錯。
/voice 命令¶
會話內輸入 /voice 可以查詢狀態、用 on|off 切換朗讀回覆開關、用 speak <text> 讓它立刻說一句。朗讀回覆默認關閉。
內置音色與合成後端¶
crispasr 後端內置 9 個 Qwen3-TTS CustomVoice 音色，其中 2 個是中文方言：aiden、dylan（北京話）、eric（四川話）、ono_anna、ryan、serena、sohee、uncle_fu、vivian。
合成後端不止一個：edge-tts 只合成不播放；fake 用於沒有模型時的聯調。
安裝與啓用¶
前置要求：
- Node.js ≥ 20（插件運行要求；運行本項目測試需要 22.18+）
- pnpm 9+
- dsh CLI：
@deepseek-ai/dsh0.1.2-rc.1 - CrispASR ≥ 0.8.28 與 Qwen3-TTS GGUF 模型——沒有這組引擎和模型，就沒有本地合成音色
- 已配置可用的 LLM API 憑據（agent 本身依賴）
1、安裝插件：
dsh plugin --profile web add dsh-voice-call
插件已發佈到 npm（dsh-voice-call@0.2.0），上述命令從 npm 拉取。
2、寫配置。在 profile（默認 web）目錄的 cordis.patch.yml 中，按 id 更新 dsh-voice-call 這一項。注意：同一個 id 只能出現一次，重複 insert 會導致啓動崩潰。
Windows 示例（來自插件 README，路徑按實際目錄改）：
- id: dsh-voice-call
config:
tts:
backend: crispasr # 本地神經 TTS 引擎
voice: dylan # 默認音色，取內置 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 # 朗讀回覆開關
durableEvents: false # rc.6 上必須保持 false
audioDir: ~/.dsh/voice
tts.crispasr 下的 bin、model、codec 分別是引擎可執行文件與兩個 GGUF 模型的絕對路徑；durableEvents 控制會話事件日誌，默認關閉，在 rc.6 上必須保持 false，否則會話歷史可能無法繼續加載；audioDir 是音頻輸出目錄，默認 ~/.dsh/voice。
3、重啓 dsh web。經過上面的步驟，打開一個會話就可以驗證了。
典型用法¶
1、查狀態。會話內輸入：
/voice
應顯示 stt / tts / readReplies / audioDir 狀態。
2、朗讀測試。讓 agent：「用 speak 工具說‘你好’。」聽到聲音即成功。
3、通話測試。告訴 agent：「你有 offer_call 工具——有什麼值得說的就打電話給我。」來電後點接聽，聲音從揚聲器播出。
4、排查配置。執行：
dsh --profile web --dump-config
查看合成後的完整配置樹，確認插件的配置是否真的生效。
適用場景與注意事項¶
適合誰：
- 跑長任務、希望 agent 在值得開口時主動打給你的人；
- 想要本地、可離線的 TTS 鏈路，產物是普通音頻文件的人；
- 在 macOS 上想用語音給 agent 發消息的人——轉寫結果會作爲用戶消息進入會話。
注意事項：
1、插件以當前 dsh 進程的權限運行。安裝任何第三方插件前，建議先檢查源碼與許可證；本項目爲 MIT。
2、rc.6 上 durableEvents 必須保持 false。
3、cordis.patch.yml 中同一個 id 只能出現一次，重複插入會導致啓動崩潰。
4、沒有 CrispASR + Qwen3-TTS GGUF 模型就沒有本地合成音色；還沒有模型時可以先用 fake 後端聯調。
5、錄音（transcribe({ record })）僅 macOS 支持。
小結¶
dsh-voice-call 把「agent 發聲」做成了雙方各有控制權的交互：agent 有撥號權，自己決定何時來電、說什麼；你有接聽權，不接就沒有聲音。加上本地合成、離線可用、產物是普通音頻文件，整條鏈路都留在自己的機器上。安裝一條命令，配置集中在 cordis.patch.yml，按上文步驟即可跑通。
