前言¶

DeepSeek Harness (DSH) 的設計理念是「一切皆插件」，這使得開發者可以通過掛載全局插件來擴展宿主能力。在模型推理場景中，語音交互是提升效率的關鍵環節。moluyao/dsh-minimax-asr 正是爲解決這一痛點而生，它將 MiniMax 的語音識別與合成能力直接接入 DSH，讓模型具備聽、說、自動交互的能力。

它是什麼¶

這是一個 DeepSeek Harness 全局插件，旨在爲 Harness 實例提供完整的語音交互支持。它集成了 MiniMax 的 asr-1.0 識別模型和 speech-2.8-hd 合成模型，通過全局工具、設置卡片和 UI 組件，將原本複雜的 API 調用轉化爲簡單的操作。該插件開源，許可證爲 MIT。

核心功能¶

• 全局工具：提供 transcribe_audio 工具用於處理音頻文件轉寫，提供 announce_speech 工具用於在任務結束時進行語音播報。
• 交互組件：
  • 語音輸入：輸入框內集成語音輸入按鈕，支持錄音並自動將轉寫文本追加進草稿。
  • 語音播報 (TTS)：支持將文本合成爲語音，並可在任務結束後自動朗讀結果。
  • 實時免手對話：開啓輸入框工具行的「對話」按鈕後，可實現語音輸入自動發送、語音回覆自動播報、麥克風自動重開的全流程免手操作。
• 音色選擇：內置 303 個系統音色供選擇，支持按語言分組，並提供試聽功能。

安裝與啓用¶

通過官方命令安裝，插件會作爲 bundle 寫入 profile，重啓 dsh 後生效。

dsh plugin --profile web add github:moluyao/dsh-minimax-asr

安裝完成後，在「設置 → 插件」中即可找到對應的設置卡片，配置環境變量後即可使用。

典型用法¶

• 任務自動播報：當模型完成一個任務後，調用 announce_speech 工具，插件會自動將結果通過瀏覽器喇叭播報給用戶，無需用戶盯着屏幕。
• 免手交互：開啓對話模式後，用戶只需說話，插件自動轉寫、發送，模型回覆播報完畢後麥克風自動重開，全程無需觸碰鍵鼠。
• 語音轉文本：點擊輸入框旁的麥克風按鈕，錄音結束後自動轉寫並追加到輸入框中，方便進行二次編輯。

適用場景與注意¶

該插件適合需要語音交互、免手操作或語音播報能力的場景。

• 文件格式：僅支持 wav, aiff, flac, m4a, opus, mp3, aac, ogg 等格式；不支持 webm 和裸 PCM。
• 文件限制：單文件大小限制爲 50MB 或時長 500 秒。
• 密鑰配置：API 密鑰存儲在環境變量 MINIMAX_API_KEY 中，插件每次請求都會從該變量解析，支持熱輪換。
• 瀏覽器限制：瀏覽器要求頁面先有過一次用戶交互才允許播放音頻，首次使用需授權麥克風。
• 接口參數：response_format 支持文本、帶時間戳的分段（verbose_json）以及字幕格式（srt/vtt）。

結語¶

moluyao/dsh-minimax-asr 通過全局工具和 UI 組件的封裝，極大地簡化了在 DeepSeek Harness 中集成語音能力的流程。無論是需要自動播報的助手，還是需要免手交互的場景，該插件都能提供直接的解決方案。更多細節可查閱 GitHub 倉庫 或 DSH 生態目錄。