dsh-voice-live：DeepSeek Harness 实时双工语音插件

前言¶

DeepSeek Harness (DSH) 采用插件化架构，开发者若想接入实时语音对话能力，通常需要自行处理 WebSocket 升级、流式识别与合成、麦克风权限管理等底层逻辑。dsh-voice-live 插件旨在解决这一痛点，将麦克风采集、火山引擎流式语音识别（ASR）、语音合成（TTS）以及浏览器端的语音控制整合在一起，提供开箱即用的实时双工语音支持。

这是什么¶

这是一个为 DeepSeek Harness 提供实时双工语音能力的插件，由用户 tangzheng202202 维护。插件通过主机端注册 /voice WebSocket 路由与客户端端渲染控制相结合的方式，实现了从用户说话到助手回复的全流程自动化。

核心功能¶

插件包含以下核心能力：
* 实时语音交互：支持点击麦克风开始采集，助手即时响应并朗读。
* 流式处理：集成火山引擎流式 ASR 与 TTS，延迟低。
* 服务端端点检测：服务器端检测约 1.5 秒静音后自动提交识别结果，无需手动停止。
* 打断与唤醒：支持在播放过程中打断，并提供唤醒词支持（默认关闭）。
* 实时字幕：将识别内容实时渲染到编辑器草稿中。
* 浏览器回声消除：利用浏览器原生 AEC 技术减少回声。

安装与启用¶

目前该插件尚未通过 npm 正式发布。建议直接在 DSH 仓库的 monorepo 中构建和运行。请克隆以下 fork 仓库并按照 DSH 的构建流程操作：

# 克隆 DSH Monorepo Fork
git clone https://github.com/tangzheng202202/deepseek-harness.git
cd deepseek-harness
# 在 monorepo 中构建并运行
# 具体路径需参考 DSH 官方文档，或自行 vendor 缺失的依赖包

典型用法¶

启动语音：在编辑器中点击麦克风按钮，系统开始采集语音并在草稿中实时显示识别结果。
自动提交：说话结束后，系统等待约 1.5 秒静音，自动触发识别结果提交，无需再次点击停止。
回复优先：默认开启“回复优先”模式，系统会先朗读一句确认语（如“好的，我去查一下”），随后再播放真正的回答。
打断交互：在助手回复过程中，如果用户再次说话，系统会立即停止播放并取消当前正在进行的语音合成任务，开始新的识别。

适用场景与注意¶

适用场景：适合需要在 Web 端快速集成实时语音对话能力的开发者。
注意事项：
- 发布状态：目前 npm 发布被上游阻塞，因缺少 @deepseek-ai/dsh-compact 依赖，无法作为独立插件安装。
- 唤醒词限制：唤醒词功能依赖 Web Speech API，默认关闭。Chrome 在中国大陆无法使用 Google 云识别服务，仅 Safari (macOS) 可用；本地离线引擎 sherpa-onnx 暂不可用。
- 回声消除：依赖浏览器原生 AEC，受限于 Chrome 某些 Bug，当前为半双工模式（播放时停止采集）。
- 实时字幕：目前仅显示在编辑器草稿中，暂无浮动字幕。
- 服务端端点：需确保使用 bigmodel_async 并开启 enable_nonstream 参数。
插件以主机进程权限运行，使用前请仔细检查源码与 MIT 许可证。

结语¶

dsh-voice-live 为 DSH 提供了基础的语音交互骨架，通过火山引擎实现流式语音能力。开发者可参考其源码实现，在 Monorepo 中集成使用。