前言¶

DeepSeek Harness（DSH）面向智能体开发时，网络侧常见的能力是 web_search 和 web_fetch——二者都是文本通道，没有浏览器或播放器，拿不到视频画面与音轨，因此宿主本身无法「看视频、听音频」。

若要把某条在线视频变成可检索、可摘要的文字，常见做法是再挂一层云端转写 API，或手工下载后用本地工具跑 ASR。DSH 桌面端本机往往已经具备语音输入用的 SenseVoice int8 模型（位于 ~/.dsh/speech-to-text/sensevoice，由 sherpa-onnx 推理），缺的主要是「从 URL 取出音轨并接到识别链路上」这一段。

下面介绍社区插件 dsh-video-transcribe（维护者 wqzhellohhwy，分类：联网工具）：在 profile 中启用后，模型可通过工具 video_transcribe 提交 http(s) 视频链接，由本机 yt-dlp、ffmpeg 与 sherpa-onnx/SenseVoice 完成下载、转码与离线转写，长音频自动分片，不调用云端转写服务。

这是什么¶

dsh-video-transcribe 是 DeepSeek Harness 的 bundle 插件（npm 包名 dsh-video-transcribe，当前版本 0.2.0，MIT 许可证）。它注册单一工具 video_transcribe，把「取音轨 → 16 kHz 单声道 PCM → 分片 → 本地 ASR」串成一条链路，媒体与推理均在本机完成。

插件目录页：https://www.skillhub.cn/plugins/wqzhellohhwy/dsh-video-transcribe
源码与说明：https://github.com/wqzhellohhwy/dsh-video-transcribe

SkillHub 等社区目录独立于 DeepSeek / 幻方，并非官方应用商店；安装前建议自行阅读源码与许可证，并记住插件以当前 DSH 进程权限运行。

为什么需要分片¶

README 中的实测结论：SenseVoice 训练与使用场景以约 30 秒以内语音为主。若把整段长音频一次性交给 sherpa-onnx-offline，进程可能仍以退出码 0 结束，但后半内容会被静默丢弃——子集转写字数甚至超过整段一次性输入的字数。

因此插件在转码后强制分片（缺省目标片长约 30 秒，切点可在 ±1.5 秒内吸附到较安静处），再批量送入 sherpa 推理。同一 README 中，约 69 分钟视频在分片路径下产出约 25,500 字符，而修复前单遍路径曾出现 0 字产出。分片失败时作业会直接失败，不会回落为「整段单遍」（避免残缺文稿被当成完整结果）。

核心功能与依赖¶

处理流水线¶

yt-dlp          取音轨（并写 info.json，标题/时长等元数据）
  → ffmpeg      转为 16 kHz 单声道 PCM wav（SenseVoice 输入规格）
    → 分片      约 30 秒一片，切点可吸附静音
      → sherpa-onnx + SenseVoice   本机推理出文稿

本机依赖¶

前三个可执行文件不在位时，插件仍会注册，但调用会返回明确缺失项与期望路径。URL 仅接受 http(s)，不处理需登录/付费/DRM 而无法取到的音轨。

工具 video_transcribe¶

长任务采用作业制：状态落在 <DSH_HOME>/video-transcribe/jobs/<id>/job.json，DSH 重启后仍可查；阶段包括 download → convert → segment → transcribe。同一时刻只跑一个转写作业（推理峰值内存可达数 GB 量级），后续任务排队。

工具只输出全文文稿，摘要、翻译或结构化由调用它的模型自行处理。

安装与启用¶

插件走标准 bundle 机制：在 profile 的 package.json 中加入 link 依赖，并把包名写入 dsh.profile.bundles。仓库自带 dsh.bundle.patch，会插入相应 bundle 配置，一般不必手写完整 cordis.patch.yml。

在 profile 目录中按 README 示例修改（将 <本仓库绝对路径> 换成你 clone 或解压后的插件目录）：

{
  "dependencies": {
    "dsh-video-transcribe": "link:<本仓库绝对路径>"
  },
  "dsh": {
    "profile": {
      "bundles": ["@deepseek-ai/dsh-base", "dsh-video-transcribe"]
    }
  }
}

在该 profile 目录执行：

pnpm install

link 依赖不联网。完成后重启 DSH 实例生效。

说明：桌面版（Electron）的 desktop profile 由应用独占管理，CLI 会拒绝 dsh plugin --profile desktop；通过修改 package.json 的方式仍可用，但需重启桌面版后插件才会上线。

运行环境要求 Node.js >= 20（见 package.json engines）。

配置（可选）¶

如需改缺省语言、线程数、分片长度等，可在 profile 的 cordis.patch.yml 中按 id 覆盖（与 bundle 层为完整替换语义）：

- id: video-transcribe
  name: dsh-video-transcribe
  config:
    language: zh
    threads: 8
    maxDurationSec: 7200
    chunkSeconds: 30

常用字段包括：language（缺省 auto）、threads（缺省 min(8, 核数-1)）、maxDurationSec（缺省 14400，超限拒绝）、chunkSeconds（缺省 30；README 建议勿调到 120 以上，过长片长会明显丢内容）、waitSeconds / maxWaitSeconds（控制 start 当场等待）。完整列表见 GitHub README「配置」一节。

典型用法¶

启动转写（示例为 B 站链接，语言指定中文）：

video_transcribe({ action: "start", url: "https://www.bilibili.com/video/BV...", language: "zh" })

start 会等待至多 waitSeconds（缺省 45 秒）：若作业在此前完成，直接返回全文；否则返回 jobId，再用 status 轮询：

video_transcribe({ action: "status", jobId: "20261008-002519-349225" })

作业完成时 status 返回完整文稿。还可用 list 查看队列、cancel 取消指定作业。

仓库内验证命令（在插件目录执行）：

node selftest.mjs
node e2e.mjs "https://www.bilibili.com/video/BV..."

selftest.mjs 覆盖纯函数、分片与注册契约等；e2e.mjs 走真实工具入口做端到端转写（无参数时 README 说明会跑默认的长视频用例）。

适用场景与限制¶

适合：需要把公开 http(s) 视频/音频页面转成文字，且希望数据不出本机、不依赖云端 ASR API 的 DSH 用户；与已有 SenseVoice 语音输入能力共用模型，无需重复下载大模型。

注意：

1. 标点与断句不可靠，英文标点尤其弱；专有名词易出现音近错字，引用术语宜对照原视频。
2. 纯画面、无解说的视频没有音轨可转，得不到内容。
3. 不绕过站点登录或 DRM；取不到音轨即失败，并返回结构化错误码（如 download_failed、segment_failed、transcribe_empty 等）。
4. 插件设计强调「静默丢内容比报错更糟」：长音频必须分片；产出密度过低会在结果中告警（lowYieldThreshold），便于发现异常片段。

结尾¶

dsh-video-transcribe 补上了 DSH 文本网络面无法触及的视频音轨：一条链接、本机 yt-dlp + ffmpeg + sherpa-onnx/SenseVoice，零云端转写 API。若你在做基于 DSH 的资料整理、播客归档或长视频文稿化，可在 SkillHub 查看简介并在 GitHub 阅读完整 README 与依赖放置说明。

• 目录页：https://www.skillhub.cn/plugins/wqzhellohhwy/dsh-video-transcribe
• GitHub：https://github.com/wqzhellohhwy/dsh-video-transcribe