dsh-realtime-voice：全雙工語音 Agent 插件

前言¶

DeepSeek Harness 生態強調“一切皆插件”。在爲產品集成語音 Agent 時，開發者通常需要處理複雜的協議適配（如 OpenAI 的 WebRTC 或豆包的 WebSocket）、瀏覽器音頻生命週期管理以及會話中斷邏輯。dsh-realtime-voice 旨在提供一套與底層提供商解耦的通用方案，讓開發者只需關注 Agent 對話本身，而不必深入底層實現細節。

是什麼¶

這是一個爲 DeepSeek Harness 提供的、與提供商無關的全雙工語音代理插件。它由 AlexKaiqi 維護，採用 MIT 許可證。該插件將瀏覽器音頻連接到 OpenAI Realtime（通過 WebRTC）或豆包 Duplex（通過 WebSocket），同時保持憑證和提供商協議在 DSH Host 邊界之後。

核心功能¶

該插件提供了以下核心能力：

全雙工實時語音對話
OpenAI Realtime (WebRTC) 適配器
豆包 Duplex (WebSocket) 適配器
與提供商無關的抽象層
可打斷的對話
瀏覽器音頻管理
動作執行循環

安裝與啓用¶

使用前需確保環境滿足以下依賴：

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

執行以下命令將插件安裝到 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¶

安裝完成後，插件會在 DSH Host 中註冊服務，供客戶端調用。客戶端通過 voiceAgent 服務啓動與 Agent 的全雙工對話，並訂閱事件流。

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 => {
  // 監聽連接、活動、轉錄、動作、中斷、錯誤或結束事件
});

適用場景與注意¶

適用場景：需要通過語音與 Agent 進行實時交互的產品，特別是希望屏蔽底層協議差異（如 WebRTC 與 WebSocket）的場景。
權限與依賴：插件以當前 DSH 進程的權限運行，安裝前應檢查源碼與許可證。
同源要求：必須使用瀏覽器同源 Origin/Host，Sec-Fetch-Site 必須爲 same-origin。
職責劃分：產品擁有 Agent 身份、上下文和歷史記錄；插件僅擁有實時語音會話（同時收聽與說話）、中斷邏輯以及與提供商的適配層。

總結¶

dsh-realtime-voice 通過統一的 API 封裝了底層差異，簡化了全雙工語音對話的開發流程，支持 OpenAI Realtime 與豆包 Duplex 兩種主流協議，適合需要在產品中快速集成語音能力的開發者。