前言¶
在 DeepSeek Harness（DSH）里跑 agent，常见做法是文本对话或外挂 TTS 播报。Oopz 语音频道里需要的是「能听、能想、能接话、该停就停」的参与者，而不是一段按脚本念稿的机器人。下面介绍社区插件 dsh-oopz-voice（维护者 Kingyibin，GitHub：Kingyibin/dsh-oopz-voice）：把本地 ASR、OpenAI 兼容大模型、本地 TTS 和 Agora 推流串成一条链路，让 agent 以接近真人的节奏在语音房里说话。README 给出的感知延迟约 1.6 秒（说完到听见回应），并强调这不是「语音助手」式单向播报。
这是什么¶
dsh-oopz-voice 归类为 DSH 社区目录中的工作流插件（npm 包名 dsh-oopz-voice，当前版本 1.1.0，MIT 许可证）。它解决的是：DSH agent 如何长时间挂在有权限的 Oopz 语音频道里，处理多人说话、插话与让位，并把合成的人声推回房间。接入走的是对 Oopz 客户端协议的逆向实现，不是 Oopz 官方 API；使用前需自行阅读仓库中的合规与隐私说明。
数据流在 README 中概括为：
别人的声音 ──▶ 能量 VAD ──▶ SenseVoice ASR ──▶ 大模型 ──▶ VITS TTS ──▶ Agora 推流
(Agora) (~50ms) (86–137ms) (~500ms) (55ms/字) (48kHz)
核心能力（与边界）¶
它会做的事¶
- 进房：进入有权限的 Oopz 语音频道；通过心跳续期（约每 20 秒重发
enter），README 实测 7 分 41 秒零掉线。 - 听：仅在检测到有人说话时处理音频，按静音断句；过短的语气词会被丢弃。
- 想：将识别文本交给配置的 OpenAI 兼容接口，并可配合自写人格文件（默认
runtime/persona.example.md）。 - 说：本地 VITS 合成后，经 headless Chrome 内的 Agora Web SDK 以 host 角色推自定义 PCM 轨。
- 让位与补听：他人持续说话时 agent 会停说；让位期间听到的内容会在对方说完后继续参与上下文（README 对 VAD 分桶、重叠判定有详细说明）。
它刻意不做的事¶
- 不做回声消除，靠让位避让，而非 AEC。
- 不处理英文（SenseVoice 中文版限制，见 README「已知限制」）。
- 官方
oopz-sdk的语音相关能力不完整，插件自研登录、进房与心跳逻辑。
本地还有三层记忆（人物档案、会淡忘的事实、当日流水），说话路径读内存、写盘攒批，避免每轮打磁盘拖延迟；细节见 README「它是怎么做到的」一节。
前置条件¶
装插件前，README 要求环境大致如下：
| 需要 | 说明 |
|---|---|
| DSH | dsh --profile web 能正常运行 |
| Node 20+ | 依赖 puppeteer-core 启动 Chrome |
| Python 3.10+ | python -m pip install numpy sherpa-onnx |
| 真 Chrome / Edge | 不能用 headless shell；需要 WebAudio + Agora Web SDK |
| DeepSeek API Key 或兼容接口 | 仅识别文本发往大模型 |
| Oopz 账号 | 手机号 + 密码，且能进目标语音频道 |
ASR/TTS 模型可在设置页「下载模型」从 HuggingFace 镜像拉取（约 300MB），无需自行找模型文件。
安装与启用¶
官方安装命令（来自 README，使用 desktop profile）：
dsh plugin --profile desktop add dsh-oopz-voice
装完后重启 DSH，设置里会出现 语音房 项。
插件以当前 DSH 进程权限运行；安装前建议在 GitHub 阅读源码与 LICENSE，并理解 HTTP 路由经 DSH requestRejection 信任栅栏的原因（README 隐私一节）。
典型用法：五步跑起来¶
经过安装与重启，可按 README 的「五步跑起来」操作：
- 登录：填写 Oopz 手机号与密码（密码仅当次请求使用，不落盘回显）；凭据存
<DSH_HOME>/oopz-voice/cred.json。 - 填 API Key：保存至
<DSH_HOME>/oopz-voice/secret.json。 - 下载模型：约 300MB，看设置页进度。
- 读我的域：列出可见域与语音频道，并标出各频道人数（建议选有人的频道）。
- 顶部点 进房：首次需加载两个本地模型，约 10–25 秒；状态为「在房里」即成功。
设置页顶部有七行「差什么」体检，全绿再进房；某行报错时，页面会提示缺什么或该点哪里。
常用配置项包括：域/语音频道、Python 与浏览器路径（可留空自动探测）、ASR/TTS 模型目录、语速（如 0.95 偏慢）、大模型接口地址与模型名、温度、人格 Markdown、「开口概率」「说完到下一句的间隔」（默认 300ms）、「只听不说」「只连不进房」等调试开关，以及 VAD 能量门槛。完整列表见 README「设置页每一项」。
适用场景与注意¶
适合：你已有 DSH desktop 环境、能合法使用自己的 Oopz 账号与频道，希望 agent 在语音场景里像参与者一样听和说，且能接受约 1.6s 量级的往返延迟与中文 ASR 的听写特点（README 对 CER、极短句、同账号两人等限制写得很直白）。
务必注意：
- 项目声明为逆向协议接入，客户端升级可能导致失效；勿在他人房间骚扰或隐瞒程序身份，封号与协议风险自负。
- 语音房里其他人默认不知道说话的是程序，请自行判断场景是否合适。
- 音频 ASR/TTS 在本地；只有识别出的文字发往大模型。插件不做英文、不做声纹区分同 uid 下两人（CAM++ 未实现）。
结尾¶
dsh-oopz-voice 把 Oopz 进房、多路 VAD、本地 SenseVoice + VITS、大模型与人格、Agora 推流收进 DSH 插件形态，适合要把 agent 放进真实语音工作流、又希望链路可控的开发者。仓库 README 还包含延迟预算、踩坑记录与目录结构，值得对照源码阅读。
