前言¶

在 DeepSeek Harness（DSH）里给智能体回复加语音，常见做法是等整段 assistant 消息「落盘」后再合成。上游 @goodandready/dsh-tts 的 speakAsItGoes 也是消息粒度：多步回合里每一步都是一条消息，本地模型往往要等第一步整段输出（含 reasoning）结束，浏览器才听到第一段声音，主观上会觉得「语音总是慢半拍」。

YevheniiMiachyn/dsh-tts-live 是在上游 0.4.16 基础上的 fork，保留原有 TTS 能力与 provider 链，额外提供可选的句级 live 路径，并附带面向本地 OpenAI 兼容 TTS 的几项修复。下面介绍它是什么、能做什么，以及如何安装与配置。

这是什么¶

• 名称：社区目录中的 dsh-tts-live，仓库 YevheniiMiachyn/dsh-tts-live，npm 包名仍为 @goodandready/dsh-tts（与上游同名，但本 fork 不发布到 npm）。
• 维护者：YevheniiMiachyn；SkillHub 分类为「模型推理」。
• 定位：在 DSH Web UI 中为 agent 回复做语音合成；本 fork 的核心增量是 按句实时播报、有序流式队列、宿主侧 barge-in 取消，以及对 custom provider 的 WAV 等本地部署修复。
• 与上游关系：基础插件的 provider 链、设置 UI、云后端、本地化等问题应走 GooDAnDReaDY/dsh-tts；与 live 句级流式 相关的问题在本 fork 仓库提 Issue。许可证 MIT，保留上游版权声明。

为什么需要句级 live 路径¶

上游在 assistant 消息 settle 之后才朗读；本地 GPU 栈上，「等整段消息」往往是语音延迟的主要来源。本 fork 通过进程内的 agent/assistant-stream 事件驱动 真正的句级 TTS：模型每写完一句即可进入合成队列，首句甚至可以在 assistant/message settle 之前开始合成，模型仍在输出时用户就能听到前面几句。

设计上是保守的：live 路径 默认关闭、需显式开启；落盘消息路径仍是权威来源；streamingEnabled（上游 SSE / AudioWorklet 路径）与 live 模式 相互独立，互不要求。

本 fork 的核心能力¶

句级流式与队列¶

1. 监听 agent/assistant-stream，按句切分并排队合成。
2. 有序句子队列：一句一段、按序发布，带稳定 id，避免客户端重复播放或乱序。
3. 每条队列与 settle 片段都带 session / turn / step 归属。
4. 落盘对账：settle 消息到达后，已读过的文本与消息对齐，只发布未读尾部。
5. 多步与 tool call：reasoning 与 tool-call JSON 不朗读；已在 live 阶段播过的 step 不会重复朗读。
6. 可配置首句/后续句最小字符数、单段上限、轮询间隔，以及在 tool call 前是否 flush 未读 remainder。

Barge-in 与 late-settle¶

• 宿主提供 POST /dsh-tts/bargein：丢弃待播音频并中止进行中的合成（按 session）。
• Late-settle suppression：barge-in 已丢弃的音频不会因重试或重新 settle 被「复活」。

本地部署相关修复（相对上游）¶

• custom provider 请求 response_format: 'wav'，并按格式返回 audio/wav。
• 修复 abort 未正确挂接导致无法取消进行中的合成。
• 阻止浏览器 SpeechSynthesis 在 provider 失败时用 OS 语音「掩盖」错误。
• Provider 超时提高到 120 s，适应本地 TTS 冷启动。
• 修复 live 尾部重复发布（基于 claimedEnd 精确认领文本范围）。

更细的补丁列表见仓库 PATCHES.md；设计说明见 LIVE-SENTENCE.md。

继承自上游的能力（简要）¶

本 fork 仍是一套完整的 DSH TTS 插件：在 Web UI 开启 Speak agent replies 后，由宿主后端合成并推送到浏览器，API 密钥不进入客户端。支持多 provider 回退链（OpenAI、ElevenLabs、Edge、Piper、eSpeak、custom OpenAI 兼容端点等），以及文本清洗、IT 词典、子 agent 音色、缓存与若干 HTTP 路由（如 GET /dsh-tts/stream、POST /dsh-tts/speak）。这些能力与上游一致；需要句级 live 时使用本仓库，需要官方 npm 包时使用 @goodandready/dsh-tts（不含本 fork 的 live 功能）。

安装与启用¶

README 要求 从本仓库 checkout 安装，用 file: 依赖固定已测产物；生产环境避免 link:。SkillHub 页面标注当前版本为 v0.4.16-local.14（与 package.json 一致）。

1. 在本仓库按发布说明准备 dsh-tts-<version>.tgz 包（路径替换为你的实际目录与版本号）。
2. 执行官方安装命令：

dsh plugin --profile web add file:/path/to/dsh-tts-<version>.tgz

若只需上游 npm 版（无 live 句级流式），可使用：

dsh plugin --profile web add @goodandready/dsh-tts

3. 安装后重启 DSH Web UI（README 示例：systemctl --user restart dsh-web），并刷新浏览器标签页。

运行环境：README 标明 Node 20+。插件以当前 DSH 进程权限在宿主侧执行合成与网络访问，安装前请阅读源码与 MIT 许可证，并自行评估 provider 与本地引擎配置。

典型配置：开启 live 句级流式¶

在 settings.yaml 的 dsh-tts: 段落下增加或修改下列键（均来自 README 文档）：

示例（README 中的 validated 生产取向：streamingEnabled 保持独立且可为 false）：

dsh-tts:
  speakReplies: true
  liveSentenceStreaming: true
  liveMinCharsFirst: 12
  liveMinChars: 48
  liveMaxChars: 0
  livePollMs: 150
  liveFlushOnToolCall: true
  streamingEnabled: false

Web UI 中可在 Settings → Plugins → Plugin settings 调整多数面向用户的项；provider API 密钥通过链编辑器写入 DSH 凭证存储（PUT /dsh-tts/credential），不保存在插件 settings 明文里。

需要打断当前会话播报时，由集成方调用 POST /dsh-tts/bargein（具体请求体以仓库当前实现为准）。

适用场景与限制¶

更适合

• 本地或自托管 DSH + 本地/兼容 TTS，希望 边生成边读，缩短「第一句可听」的等待。
• 多步 agent（含 tool call），需要 不读 reasoning/JSON、且避免同一步重复朗读。
• 使用 custom OpenAI 兼容 TTS 且需要 WAV 与更长合成超时。

需要注意

• GPU 争用：LLM 与本地 TTS 共用 GPU 时，live 只改善调度（更早开读），不会加快模型或 TTS 本身。
• 不解决 TTFT：首 token 时间仍取决于模型与硬件；live 消除的是「首句已存在之后」仍等整段 settle 的等待。
• skipCode: true 时 inline code 被剔除，由代码片段组成的句子可能读得断断续续；live 模式下句子更多，更容易听到。
• 性能因模型、TTS 引擎与 GPU 配置而异；release 说明中的数字来自特定本地环境，不宜外推为通用基准。

DSH 生态强调「一切皆插件」；SkillHub 为社区目录，与 DeepSeek / 幻方无官方从属关系。

结尾¶

dsh-tts-live 在成熟 TTS 插件之上，用可选、默认关闭的句级 live 路径，把「等整段消息再读」改成「按句排队、可对账、可 barge-in」，并针对本地 custom WAV 与取消/超时做了生产向修补。若你正在 DSH 里做语音 agent，且瓶颈是 message-level 播报，可从 SkillHub 页进入仓库，按 README 用 file: 包安装并打开 liveSentenceStreaming 做验证。

• 目录页：https://www.skillhub.cn/plugins/YevheniiMiachyn/dsh-tts-live
• GitHub：https://github.com/YevheniiMiachyn/dsh-tts-live