前言¶

在 DSH（DeepSeek Harness）的 Web 应用中，如果希望让智能体既“听得见”也“说得响”，通常需要组合多个插件或自行实现语音输入/输出链路。现有的 dsh-voice-chat 套件和旧版 dsh-voice-output 插件都已不再维护。dsh-voice 是一个独立的双向语音插件，将语音输入与输出整合为一个统一的组件，提供统一的语音按钮、自动朗读和独立的 TTS 服务器。

插件定位¶

• 名称：dsh-voice
• 维护者：martindye
• 仓库：https://github.com/martindye/dsh-voice
• 版本：1.0.8（截至 2024 年 10 月）
• 定位：DSH Web 应用的自包含双向语音插件，提供语音输入、消息朗读和自动朗读功能，内置 TTS 服务器。

核心功能¶

语音输入¶

• 统一按钮：34 px 蓝色按钮。空草稿时为语音录入；输入中显示发送箭头；Agent 运行或系统朗读时显示停止方块；语音轮次激活时显示关闭叉号。
• 持续监听：回复结束后麦克风自动重新打开；自动打开但未识别到内容时会安静重试几次。
• 语音暂停命令：说出“hold the mic”“pause the mic”“stop listening”可挂起监听但不发送。
• 通话静音：语音轮次激活时，录音按钮变为静音/取消静音切换（静音时显示红底白字）；静音后音频不再送入识别器，语音活动计时器冻结。

语音输出¶

• 每条助手消息旁的扬声器按钮：点击朗读或停止。
• 自动朗读：2 分钟内的新回复，如果设备已开启自动朗读开关且在该设备上使用过语音输入（标记为 dsh.voice-chat.v1），则自动朗读。不依赖 PC 端桥接，各设备朗读自己显示的内容。
• 设备级自动朗读开关：会话头部右上角有一个开关，开启时显示绿点（表示该设备已“语音就绪”），开关状态在浏览器内持久化。
• 文本处理：从会话日志中解析文本，去除代码、链接和 Markdown 后再进行语音合成。

架构与依赖¶

• 源码目录：
• src/：插件源码。src/index.ts（宿主入口），src/tts-host.ts（TTS 监控与语音准备，宿主侧），src/client/（浏览器侧：语音输入、扬声器按钮、头部开关、播放）。
• tts/：插件自带的 TTS HTTP 服务器（server.py）及引擎（qwen3.py GPU 语音，pocket.py CPU 回退）。
• bin/tts-server.exe：qwen3 引擎打包的 qwentts.cpp 服务器（若系统中已有兼容的驻留服务在 127.0.0.1:8095，则优先使用）。
• ref_voices/：qwen3 引擎克隆的参考音色（pocket、warm-brit），均为合成音色，不包含真人录音。
• lib/：构建产物（lib/index.js 宿主侧，lib/client.js 浏览器侧），通过 pnpm bundle 生成。
• tests/：vitest 客户端测试（jsdom）：语音输入音频管线、波形、带 trace 文件的对话模拟。
• 运行依赖（DSH 所在机器）：
• Python 3（可通过 DSH_VOICE_PYTHON 覆盖），需安装 numpy、requests，CPU 回退引擎需 pocket-tts。
• TTS 服务器按需启动在 127.0.0.1:8189（可通过 DSH_VOICE_TTS_PORT 覆盖），由插件宿主监控。
• qwen3（GPU）模型位于 ~/.dsh/voice-chat/models/qwen3（talker + tokenizer GGUF），引擎选择通过共享配置文件 ~/.dsh/voice-chat/consent.json（"engine": "qwen3" | "pocket"）决定；存在模型时默认 qwen3。
• 宿主日志：~/.dsh/logs/voice-tts.log。

安装与启用¶

插件通过 npm 发布，包含预构建产物，无需本地构建步骤。

dsh plugin --profile <profile> add @martindye/dsh-voice

示例：dsh plugin --profile web add @martindye/dsh-voice 用于 Web 应用。安装后重启 Web 宿主（或启动宿主）并打开应用：composer 中会出现统一语音按钮，每条助手消息旁会出现扬声器按钮。

典型用法¶

1. 确保运行 DSH 的机器满足运行依赖：Python 3、所需 TTS 依赖，以及 qwen3 模型（如使用 qwen3 引擎）。
2. 执行上述安装命令。
3. 在会话中，当 composer 为空时点击蓝色按钮开始语音输入；Agent 回复后，点击消息旁的扬声器按钮可手动朗读。
4. 在会话头部右上角开启“自动朗读”开关，随后 2 分钟内的新回复会自动朗读（仅限使用过语音输入的设备）。
5. 语音轮次激活时，点击麦克风按钮可静音/取消静音；说出“pause the mic”可挂起监听但不发送。
6. 若使用 qwen3 引擎，TTS 服务器会自动启动并连接 GPU 模型；若使用 Pocket，则只预热 CPU 引擎且不支持 GPU 回退。

注意事项¶

• 插件以当前 DSH 进程的权限运行，安装前建议检查源码与许可证。
• 需要浏览器授予麦克风权限以进行语音输入；语音识别模型会在首次使用时从 DSH 主目录拉取。
• 自动朗读依赖设备侧状态（dsh.voice-chat.v1 标记），同一浏览器内多标签页会选举一个自动朗读者，不会同时朗读同一条回复（重启后恢复）。
• TTS 服务器与引擎配置影响资源占用与语音质量，建议根据硬件情况选择引擎（GPU 模型在支持环境下优先使用 qwen3）。

小结¶

dsh-voice 将 DSH Web 应用的语音输入与输出收束为一个统一的插件，提供一致的 UI 交互、自动朗读与独立的 TTS 服务器。对于需要在 Web 端实现双向语音对话的开发者，这是一个可快速接入的方案。更多细节与源码可参考：https://github.com/martindye/dsh-voice