dsh-doubao-voice

DeepSeek Harness（DSH）採用插件架構，旨在通過社區貢獻擴展基礎能力。開發者在構建智能體或交互式應用時，往往需要流式語音輸入能力，而原生 DSH 尚未提供此功能。dsh-doubao-voice 插件解決了這個問題。它接入火山引擎流式大模型語音識別（豆包 Seed ASR），通過瀏覽器採集麥克風音頻，經宿主 WebSocket 中繼至豆包服務，最終將識別文本流式回填到輸入框。

核心功能¶

接入豆包 Seed ASR：使用火山引擎流式大模型語音識別服務。
交互入口：在輸入框左側提供麥克風按鈕，支持全局快捷鍵（默認 Alt+V）喚起。
狀態指示：提供四態指示，包括“正在準備中”（轉圈）、“正在聽寫”（音量動態條）、“收尾中”（轉圈）。
真流式處理：音頻格式爲 16kHz/16bit/單聲道 PCM，按 200ms 分塊上傳，識別文本邊說邊上屏。
編輯與回滾：識別結果不自動發送，支持在輸入框內編輯確認。中途取消錄音會自動回滾，支持中途修正原位替換，多停頓長錄音不堆疊（LCP 合併算法）。
配置管理：在設置頁管理憑據、熱詞（逗號/分號分隔）、語言（BCP-47，如 zh-CN）、快捷鍵及最長錄音時長（默認 300s）。
輸出與兜底：輸出方式跟隨光標（默認）或輸入框；若寫入失敗，自動兜底複製到剪貼板並提示。
本地存儲：憑據存儲在 ~/.dsh/dsh-doubao-voice.json，ACL 收緊到當前用戶，僅本機可讀。

安裝與啓用¶

在終端中執行以下命令安裝插件：

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

安裝完成後，重啓 dsh web 進程並刷新瀏覽器頁面即可啓用。

配置方式¶

安裝後需要在設置頁或通過環境變量配置火山引擎憑據。

方法一：設置頁¶

進入 DSH 設置頁，找到“語音輸入（豆包）”配置項：
- App ID / Access Token：從火山引擎控制台獲取。
- Resource ID：默認值爲 volc.seedasr.sauc.duration。
- 熱詞：輸入逗號或分號分隔的詞彙，最多 100 個。
- 語言：設置識別語言，如 zh-CN、en-US、ja-JP 等。

方法二：環境變量¶

環境變量優先級高於文件配置。在 PowerShell 中設置如下：

$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電路"

技術實現¶

該插件依賴 ws（WebSocket）庫。協議層實現基於 Proma 桌面端 doubao-asr-service.ts 的調研復刻，包含二進制幀協議、參數解析邏輯及確定性測試。

架構流程¶

瀏覽器 (lib/client.js)                宿主 (lib/index.js)                 火山引擎
麥克風 → 16kHz PCM ──WS 二進制──► registerUpgrade 中繼 ──sauc 協議──► 豆包流式 ASR
   ▲   ◄── transcript 流 ──JSON──◄   DoubaoAsrClient   ◄────────────┘
   流式回填輸入框（基線 + 累計文本，冪等寫入）

測試¶

項目包含針對合併算法和寫入保險的測試腳本：

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

適用場景與注意事項¶

適用場景：需要流式語音轉文本能力的 DSH WebUI 用戶，適合長文本錄入或實時對話場景。
權限與安全：插件以當前 dsh 進程權限運行。安裝前建議檢查源碼與許可證。
免責聲明：此爲社區項目，非 DeepSeek 或火山引擎官方出品。使用火山引擎服務需遵守其服務條款，Access Token 請妥善保管。該插件收錄於 awesome-dsh-plugin 目錄，不構成安全背書。

總結¶

dsh-doubao-voice 爲 DeepSeek Harness 提供了完整的流式語音識別解決方案，從採集、傳輸到回填均有明確的實現。通過簡單的安裝和配置，開發者可以在 DSH 環境中直接使用豆包 Seed ASR 的能力。

項目地址：GitHub
目錄頁：SkillHub