dsh-doubao-voice

DeepSeek Harness（DSH）采用插件架构，旨在通过社区贡献扩展基础能力。开发者在构建智能体或交互式应用时，往往需要流式语音输入能力，而原生 DSH 尚未提供此功能。dsh-doubao-voice 插件解决了这个问题。它接入火山引擎流式大模型语音识别（豆包 Seed ASR），通过浏览器采集麦克风音频，经宿主 WebSocket 中继至豆包服务，最终将识别文本流式回填到输入框。

核心功能¶

接入豆包 Seed ASR：使用火山引擎流式大模型语音识别服务。
交互入口：在输入框左侧提供麦克风按钮，支持全局快捷键（默认 Alt+V）唤起。
状态指示：提供四态指示，包括“正在准备中”（转圈）、“正在听写”（音量动态条）、“收尾中”（转圈）。
真流式处理：音频格式为 16kHz/16bit/单声道 PCM，按 200ms 分块上传，识别文本边说边上屏。
编辑与回滚：识别结果不自动发送，支持在输入框内编辑确认。中途取消录音会自动回滚，支持中途修正原位替换，多停顿长录音不堆叠（LCP 合并算法）。
配置管理：在设置页管理凭据、热词（逗号/分号分隔）、语言（BCP-47，如 zh-CN）、快捷键及最长录音时长（默认 300s）。
输出与兜底：输出方式跟随光标（默认）或输入框；若写入失败，自动兜底复制到剪贴板并提示。
本地存储：凭据存储在 ~/.dsh/dsh-doubao-voice.json，ACL 收紧到当前用户，仅本机可读。

安装与启用¶

在终端中执行以下命令安装插件：

dsh plugin --profile web add dsh-doubao-voice

安装完成后，重启 dsh web 进程并刷新浏览器页面即可启用。

配置方式¶

安装后需要在设置页或通过环境变量配置火山引擎凭据。

方法一：设置页¶

进入 DSH 设置页，找到“语音输入（豆包）”配置项：
- App ID / Access Token：从火山引擎控制台获取。
- Resource ID：默认值为 volc.seedasr.sauc.duration。
- 热词：输入逗号或分号分隔的词汇，最多 100 个。
- 语言：设置识别语言，如 zh-CN、en-US、ja-JP 等。

方法二：环境变量¶

环境变量优先级高于文件配置。在 PowerShell 中设置如下：

$env:ARK_APP_ID="你的AppID"
$env:ARK_ACCESS_TOKEN="你的Token"
$env:ARK_RESOURCE_ID="volc.seedasr.sauc.duration"
$env:ARK_LANGUAGE="zh-CN"
$env:ARK_HOTWORDS="芯片,Buck电路"

技术实现¶

该插件依赖 ws（WebSocket）库。协议层实现基于 Proma 桌面端 doubao-asr-service.ts 的调研复刻，包含二进制帧协议、参数解析逻辑及确定性测试。

架构流程¶

浏览器 (lib/client.js)                宿主 (lib/index.js)                 火山引擎
麦克风 → 16kHz PCM ──WS 二进制──► registerUpgrade 中继 ──sauc 协议──► 豆包流式 ASR
   ▲   ◄── transcript 流 ──JSON──◄   DoubaoAsrClient   ◄────────────┘
   流式回填输入框（基线 + 累计文本，幂等写入）

测试¶

项目包含针对合并算法和写入保险的测试脚本：

node test/merge-test.mjs
node test/writer-guard-test.mjs
node test/relay-test.mjs

适用场景与注意事项¶

适用场景：需要流式语音转文本能力的 DSH WebUI 用户，适合长文本录入或实时对话场景。
权限与安全：插件以当前 dsh 进程权限运行。安装前建议检查源码与许可证。
免责声明：此为社区项目，非 DeepSeek 或火山引擎官方出品。使用火山引擎服务需遵守其服务条款，Access Token 请妥善保管。该插件收录于 awesome-dsh-plugin 目录，不构成安全背书。

总结¶

dsh-doubao-voice 为 DeepSeek Harness 提供了完整的流式语音识别解决方案，从采集、传输到回填均有明确的实现。通过简单的安装和配置，开发者可以在 DSH 环境中直接使用豆包 Seed ASR 的能力。

项目地址：GitHub
目录页：SkillHub