前言¶

在 DeepSeek Harness（DSH）里写提示词，多数时候还是键盘。长句、口述需求或边走边想时，切到别的听写工具再粘回来，既打断节奏，也常把「要不要把音频发到云端」当成额外顾虑。社区插件 dsh-voice-input（维护者 moazzamak，分类：模型推理）面向 Web GUI 的对话输入框（composer）：在工具栏增加麦克风按钮，在浏览器里录音，把音频交给本机 DSH 进程，用 faster-whisper（CPU 默认）或 whisper.cpp / Vulkan（可选 GPU 引擎）在本机解码，识别结果追加到当前草稿；不会替你按 Enter 发送。音频不上传第三方 STT 服务，识别与可选的「润色」都在你自己的环境里完成。

这是什么¶

一句话：DSH composer 的离线本地语音转文字——点麦克风、说话、再点停止，文本写入草稿，你可改错词后再发送。

• 仓库：moazzamak/dsh-voice-input
• 目录页：SkillHub 插件页
• 当前包版本（package.json）：0.6.1，许可证 MIT

核心功能¶

本地录音与识别¶

麦克风按钮出现在 composer 工具行、模型选择器左侧。流程：Idle 灰麦克风 → Recording（红停止块、电平条、m:ss 计时）→ Transcribing → 文本以空格分隔追加到已有草稿内容，不会自动发送。

音频在浏览器录制，POST 到本机 harness 进程解码；模型加载一次并保持 warm，后续录音 mainly 只做 decode。README 在 Ryzen 7 7800X3D、base.en、warm 状态下测得：CPU 引擎约 0.4 s/段，GPU 引擎约 0.1 s/段；改版前每次重载模型约 10 s。

边说边出字（CPU 引擎）¶

录音期间约每秒交出一段音频；VAD 根据麦克风噪声底判断停顿，每次停顿解码已录部分并重写草稿，光标处脉冲提示下一词位置。停止后再对整段重跑识别并替换为最终稿，纠正 live 阶段的误听。切分依赖静音而非固定时长，避免在半词处截断导致识别「补全」假词。

输入过程中打字不被阻塞：你正在打的字保留，live 文本插在其后。

双引擎¶

默认 CPU：已 sub-second warm、渐进出字、不累积 GPU 状态。bundled whisper.cpp 主要为 CTranslate2 仅 CUDA、AMD 等在 Windows 上难用 的场景；配置行可设 backend: auto 或 ggml 强制走 GGML 引擎。

电平条与无声提示¶

14 条电平来自与录音同流的 AnalyserNode，用于区分「真在录」和「麦克风被静音」；Analyser 不接扬声器输出，避免反馈。约 1.5 s 无声时电平变暗并提示 no sound — check your microphone。

Cleanup（润色） pass¶

识别完成后，可把文稿交给当前部署已选的路由模型做轻量清理：去 filler（um、uh、like 等）、合并口吃、加标点、修明显误听；禁止改义、翻译或改标识符/术语。完成后按钮旁有 cleaned up 标记。

失败保护：清理报错/超时/空结果、长度变化小于一半或大于 1.8×（像模型在「答题」而非清理）、无法解析路由时，保留 Whisper 原文并写 host 日志。可 polish: off 关闭，或用 polishProvider + polishModel 指定便宜路由；工具 voice_transcribe 支持单次 polish: false。默认 polish: conservative 且 polishReasoning: off，避免继承高 reasoning 导致长时间无草稿增量。

环境与要求¶

• 带 Web GUI 的 DSH 安装（web profile）。
• Python 3.9+ 在 PATH（Windows 用 python，其它系统 python3），用于一次性引擎 setup。
• uv 可选；有则用，无则 pip。
• Chromium 系或 Firefox，支持麦克风。
• 仅 GPU 引擎：Vulkan GPU + Windows 自带 whisper.cpp Vulkan 构建；首次 GGML 模型约 142 MB 下载。

Node >=20（package.json engines）。

安装与启用¶

安装命令须与 README 一致，且 dsh plugin 的 profile 与启动 DSH 时用的 profile 相同（dsh web 固定对应 web profile，不存在 dsh web --profile other）。

1、把插件装进 web profile：

dsh plugin --profile web add github:moazzamak/dsh-voice-input

2、在本机构建引擎一次（在已安装包内建 venv 并预拉默认模型）：

python "$HOME/.dsh/profiles/web/node_modules/dsh-voice-input/python/setup.py"

Windows（PowerShell）路径示例：

dsh plugin --profile web add github:moazzamak/dsh-voice-input
python "$env:USERPROFILE\.dsh\profiles\web\node_modules\dsh-voice-input\python\setup.py"

3、重启 DSH。

其它安装方式（README）：仓库内 pnpm pack 后 dsh plugin --profile web add ./dsh-voice-input-0.1.0.tgz；本地路径 add /path/to/dsh-voice-input；若发布到 npm 则 add dsh-voice-input。git 安装时 pnpm ≥10 对本包无需允许 prepare（无构建步骤）。

典型用法（Web GUI）¶

1. 打开 DSH Web composer，确认麦克风权限。
2. 点灰色麦克风开始；对着麦说话，观察电平条是否在动。
3. 再点停止；等待 transcribing…，草稿末尾出现识别文本（及可能的 cleanup）。
4. 自行改错词或补全，按 Enter 发送——插件不会代发。

失败时按钮旁显示红色信息（权限拒绝、无语音、引擎错误等）。

适用场景与注意¶

适合：希望在 DSH 对话里口述需求、又不想把语音交给云端 STT；本机有足够 CPU/GPU 跑 Whisper；已使用 web profile 的日常开发。

注意：

• 插件随 当前 DSH 进程权限 运行，Python 引擎与模型文件落在 profile 下的 node_modules/dsh-voice-input；安装前请阅读 源码与 MIT 许可证。
• Cleanup 依赖部署里可用的模型路由；离线或无路由时仍应有 Whisper 原文。
• GPU 引擎主要在 Windows + Vulkan 路径上由维护者 bundled；Linux 等环境以 README 当时说明为准，默认 CPU 通常即可用。
• SkillHub 等社区目录与 DeepSeek / 幻方无官方从属关系，插件来自社区维护者，非「官方应用商店」条目。

结尾¶

dsh-voice-input 把 composer 里的语音输入收进「浏览器录、本机解、草稿里改、自己发」的闭环：默认 faster-whisper 渐进出字，可选 whisper.cpp 照顾非 CUDA 的 GPU；可选 cleanup 在不动语义的前提下收口语杂质。若你在 DSH Web 里常写长提示，值得按官方命令装一次并跑通 setup.py。

• 目录页：https://www.skillhub.cn/plugins/moazzamak/dsh-voice-input
• GitHub：https://github.com/moazzamak/dsh-voice-input