dsh-voice-live：DeepSeek Harness 實時雙工語音插件

前言¶

DeepSeek Harness (DSH) 採用插件化架構，開發者若想接入實時語音對話能力，通常需要自行處理 WebSocket 升級、流式識別與合成、麥克風權限管理等底層邏輯。dsh-voice-live 插件旨在解決這一痛點，將麥克風採集、火山引擎流式語音識別（ASR）、語音合成（TTS）以及瀏覽器端的語音控制整合在一起，提供開箱即用的實時雙工語音支持。

這是什麼¶

這是一個爲 DeepSeek Harness 提供實時雙工語音能力的插件，由用戶 tangzheng202202 維護。插件通過主機端註冊 /voice WebSocket 路由與客戶端端渲染控制相結合的方式，實現了從用戶說話到助手回覆的全流程自動化。

核心功能¶

插件包含以下核心能力：
* 實時語音交互：支持點擊麥克風開始採集，助手即時響應並朗讀。
* 流式處理：集成火山引擎流式 ASR 與 TTS，延遲低。
* 服務端端點檢測：服務器端檢測約 1.5 秒靜音後自動提交識別結果，無需手動停止。
* 打斷與喚醒：支持在播放過程中打斷，並提供喚醒詞支持（默認關閉）。
* 實時字幕：將識別內容實時渲染到編輯器草稿中。
* 瀏覽器回聲消除：利用瀏覽器原生 AEC 技術減少回聲。

安裝與啓用¶

目前該插件尚未通過 npm 正式發佈。建議直接在 DSH 倉庫的 monorepo 中構建和運行。請克隆以下 fork 倉庫並按照 DSH 的構建流程操作：

# 克隆 DSH Monorepo Fork
git clone https://github.com/tangzheng202202/deepseek-harness.git
cd deepseek-harness
# 在 monorepo 中構建並運行
# 具體路徑需參考 DSH 官方文檔，或自行 vendor 缺失的依賴包

典型用法¶

1. 啓動語音：在編輯器中點擊麥克風按鈕，系統開始採集語音並在草稿中實時顯示識別結果。
2. 自動提交：說話結束後，系統等待約 1.5 秒靜音，自動觸發識別結果提交，無需再次點擊停止。
3. 回覆優先：默認開啓“回覆優先”模式，系統會先朗讀一句確認語（如“好的，我去查一下”），隨後再播放真正的回答。
4. 打斷交互：在助手回覆過程中，如果用戶再次說話，系統會立即停止播放並取消當前正在進行的語音合成任務，開始新的識別。

適用場景與注意¶

• 適用場景：適合需要在 Web 端快速集成實時語音對話能力的開發者。
• 注意事項：
  • 發佈狀態：目前 npm 發佈被上游阻塞，因缺少 @deepseek-ai/dsh-compact 依賴，無法作爲獨立插件安裝。
  • 喚醒詞限制：喚醒詞功能依賴 Web Speech API，默認關閉。Chrome 在中國大陸無法使用 Google 雲識別服務，僅 Safari (macOS) 可用；本地離線引擎 sherpa-onnx 暫不可用。
  • 回聲消除：依賴瀏覽器原生 AEC，受限於 Chrome 某些 Bug，當前爲半雙工模式（播放時停止採集）。
  • 實時字幕：目前僅顯示在編輯器草稿中，暫無浮動字幕。
  • 服務端端點：需確保使用 bigmodel_async 並開啓 enable_nonstream 參數。
• 插件以主機進程權限運行，使用前請仔細檢查源碼與 MIT 許可證。

結語¶

dsh-voice-live 爲 DSH 提供了基礎的語音交互骨架，通過火山引擎實現流式語音能力。開發者可參考其源碼實現，在 Monorepo 中集成使用。

• 插件目錄頁
• GitHub 倉庫