前言¶
在 DeepSeek Harness（DSH）裏做智能體對話，常見做法是鍵盤輸入或外掛第三方語音識別服務。前者在長對話、移動場景下不夠順手；後者往往要單獨申請 API Key、把音頻或文本送到雲端，成本和隱私邊界也要自己管。若希望在同一會話界面裏完成「邊說邊出字 → 編輯或自動發送 → 回覆按句朗讀並可開口打斷」，且識別在宿主端本地推理、不必爲 ASR 再配密鑰，社區維護的客戶端插件 dsh-voice-mode 就是針對這條鏈路做的集成。下面按安裝、操作和配置說明其能力與邊界。
這是什麼¶
dsh-voice-mode（倉庫 qishuilalala/dsh-voice-mode）是 DSH 的全雙工語音插件：流式語音識別寫入可編輯草稿，文本合成按句朗讀並帶實時字幕，朗讀過程中可發聲打斷；可選喚醒詞待機。維護者爲 qishuilalala，在 SkillHub 等社區目錄中歸類爲客戶端插件。識別使用宿主端 zipformer2 流式 + SenseVoice 定稿（含 ITN 等），無需額外語音 API Key；朗讀默認走 Edge 雲端（訪問微軟在線服務），也可選本地 VITS（偏中文）或 Kokoro（中英混讀），合成在宿主端完成。宿主 LLM 的密鑰、網絡與費用仍由 DSH 自身配置決定。
插件以 npm 包 dsh-voice-mode 發佈（資料中當前版本 0.7.34，MIT 許可證）；package.json 聲明宿主兼容範圍爲 dsh >=0.1.1-rc.2 <0.3.0-0，Node >=18。README 註明已對 dsh 0.2.1-rc.5 做過兼容複覈，但不等於所有設備上的麥克風閉環或跨平臺均已驗收。
核心功能¶
語音輸入與發送¶
進入語音模式後，麥克風採集經客戶端 VAD 分段，partial 結果約 0.9s 級別流式出字並可在字幕浮層展示；定稿在宿主端完成。默認行爲（可調）：停頓約 1500ms 斷句進草稿，再靜音約 1.2s（合計約 2.7s）自動發送；按住 Ctrl 可強制立即發送。
朗讀、字幕與打斷¶
模型回覆經句子切分進入 TTS 隊列，按句朗讀，字幕跟隨。AI 朗讀時用戶開口可打斷（效果受設備、回聲消除與噪聲影響；不可靠時可改用「按住說話」）。設置中的 讓位語義（backchannelYield，默認開）可在朗讀期對短反饋詞（如「嗯」「對」）讓位約 1.5s，避免誤打斷。
交互模式¶
支持持續聆聽、按住說話、說完就關（mode: once：一句 → 自動發送 → 讀完回覆後退出）等；朗讀範圍可選僅在語音模式朗讀、總是朗讀（readAloud: always，打字消息也可讀，代碼塊會跳過）或關閉。麥克風按鈕可顯示聆聽/朗讀狀態條，右鍵可切換交互模式、朗讀範圍、字幕、狀態條等（詳見 README 操作表）。
無障礙與細節¶
字幕字號 captionFontSize、寬度 captionMaxWidth 多檔可調；讀屏相關優化在版本說明中有單獨條目。喚醒詞待機、語氣詞白名單等用於減少誤觸發。
安裝與啓用¶
安裝命令以 README「快速開始」爲準：
dsh plugin --profile web add dsh-voice-mode
# 安裝到 web profile 後，按實際部署方式重啓宿主
首次使用會下載識別相關模型，耗時取決於網絡與硬件。插件聲明爲 web 客戶端注入（dsh.client.platform: web），需在對應 profile 下安裝並重啓宿主後再試。
典型用法¶
- 進入任一會話，按
Ctrl+Shift+V或點輸入區麥克風按鈕進入語音模式，狀態條顯示「聆聽中…」（應用內快捷鍵可在設置中修改）。 - 說一句完整的話（例如「幫我看看今天的天氣」）→ 實時字幕出現，停頓後進草稿、靜音片刻後自動發送。
- AI 開始按句朗讀時，可嘗試發聲打斷，確認朗讀停止及後續轉寫是否符合預期。
輸入框內快捷鍵：光標在輸入框時 Alt+Enter（Mac 爲 Option+Enter）進入/退出語音模式且不插入換行，對應設置鍵 composerShortcut，留空可禁用。
按住麥克風按鈕：空閒時按住即錄，鬆手發送；等回覆讀完（若開啓朗讀）後自動退出；等待或朗讀期間單擊麥克風可停止朗讀並完全退出。完整手勢表見 GitHub README。
配置入口與常用項¶
通用入口：DSH 設置（Settings）→ 語音模式（Voice Mode）。
| dsh 版本 | 次要入口 | 設置存放 |
|---|---|---|
| ≤ 0.1.5 | 設置 → Plugins → 插件配置 → 語音模式 | dsh 官方設置存儲 |
| 0.1.6-alpha 及以後 | 左側 Plugins → 已安裝的 dsh-voice-mode → 詳情頁「語音模式」卡片 |
0.1.6：官方設置存儲；0.1.7+（含 0.2.0）：~/.dsh/voice-mode.settings.json（$DSH_HOME 下），優先級高於 profile 中同名鍵 |
設置生效分即時、下次識別、下一段話、下次進入語音模式等檔位；卡片頂部會列出「已保存但未生效」項。常用鍵示例：
| 用途 | 鍵 | 默認 |
|---|---|---|
| 數字/日期/貨幣規範化 | senseITN |
true |
| 靜音斷句時長 | silenceMs |
1500 |
| 讓位語義 | backchannelYield |
true |
| 字幕字號 / 寬度 | captionFontSize / captionMaxWidth |
0 / 1 |
| Edge 語速 / 空閒退出 | rate / idleTimeoutMinutes |
1.1 / 5 |
完整設置項（README 稱共 29 項）見倉庫內 使用說明。
適用場景與注意¶
適合：希望在 DSH Web 會話裏用語音完成整輪對話、減少單獨 ASR 服務配置、需要按句朗讀與字幕、並能在朗讀中打斷的開發者或日常用戶。
務必知曉：
- 插件在當前 dsh 進程權限下運行；安裝前應查看源碼與 MIT 許可證，自行評估信任邊界。
- 默認 Edge 朗讀依賴微軟在線服務；離線或隱私敏感場景應改用本地 VITS/Kokoro，並接受首次模型下載與硬件性能差異。
- README 明確區分「CI/兼容聲明」與「真實聽感、麥克風閉環、跨平臺」——不存在「所有設備都能精準打斷」或「後續所有宿主版本自動兼容」的承諾；升級宿主或插件前可看 CHANGELOG 與 兼容契約。
- DSH 生態強調「一切皆插件」；SkillHub 目錄頁 爲社區收錄，與 DeepSeek / 幻方無官方從屬關係。
結尾¶
dsh-voice-mode 把本地流式識別、草稿編輯、按句 TTS 與打斷收進 DSH 會話，默認安裝命令爲 dsh plugin --profile web add dsh-voice-mode。進一步說明、架構圖與 Demo 見 GitHub 倉庫 與 SkillHub 插件頁。
