dsh-realtime-voice：全双工语音 Agent 插件

前言¶

DeepSeek Harness 生态强调“一切皆插件”。在为产品集成语音 Agent 时，开发者通常需要处理复杂的协议适配（如 OpenAI 的 WebRTC 或豆包的 WebSocket）、浏览器音频生命周期管理以及会话中断逻辑。dsh-realtime-voice 旨在提供一套与底层提供商解耦的通用方案，让开发者只需关注 Agent 对话本身，而不必深入底层实现细节。

是什么¶

这是一个为 DeepSeek Harness 提供的、与提供商无关的全双工语音代理插件。它由 AlexKaiqi 维护，采用 MIT 许可证。该插件将浏览器音频连接到 OpenAI Realtime（通过 WebRTC）或豆包 Duplex（通过 WebSocket），同时保持凭证和提供商协议在 DSH Host 边界之后。

核心功能¶

该插件提供了以下核心能力：

全双工实时语音对话
OpenAI Realtime (WebRTC) 适配器
豆包 Duplex (WebSocket) 适配器
与提供商无关的抽象层
可打断的对话
浏览器音频管理
动作执行循环

安装与启用¶

使用前需确保环境满足以下依赖：

DeepSeek Harness 0.1.1-rc.2
dsh-multi-model-provider@^0.1.0-rc.11

执行以下命令将插件安装到 web 配置文件中：

dsh plugin --profile web add dsh-multi-model-provider dsh-realtime-voice
dsh plugin --profile web update dsh-multi-model-provider dsh-realtime-voice

典型用法¶

安装完成后，插件会在 DSH Host 中注册服务，供客户端调用。客户端通过 voiceAgent 服务启动与 Agent 的全双工对话，并订阅事件流。

const service = ctx.get('voiceAgent');

const conversation = await service.startConversation({
  routeId: 'openai/gpt-realtime',
  profileId: 'my-profile',
  context: 'provider-neutral context',
  ownerId: 'my-product:active',
});

const dispose = conversation.subscribe(event => {
  // 监听连接、活动、转录、动作、中断、错误或结束事件
});

适用场景与注意¶

适用场景：需要通过语音与 Agent 进行实时交互的产品，特别是希望屏蔽底层协议差异（如 WebRTC 与 WebSocket）的场景。
权限与依赖：插件以当前 DSH 进程的权限运行，安装前应检查源码与许可证。
同源要求：必须使用浏览器同源 Origin/Host，Sec-Fetch-Site 必须为 same-origin。
职责划分：产品拥有 Agent 身份、上下文和历史记录；插件仅拥有实时语音会话（同时收听与说话）、中断逻辑以及与提供商的适配层。

总结¶

dsh-realtime-voice 通过统一的 API 封装了底层差异，简化了全双工语音对话的开发流程，支持 OpenAI Realtime 与豆包 Duplex 两种主流协议，适合需要在产品中快速集成语音能力的开发者。