前言¶

在 DSH 裏做帶語音的智能體，常見做法是各管一段：TTS 走雲端 API、音色克隆另裝工具、翻唱再掛一條流水線。樣本和對話音頻一旦出本機，合規和延遲都要單獨算賬。ten-feng 維護的 dsh-voice-unified（社區目錄：ten-feng/dsh-plugin-voice-unified）把多音色檔案、情感朗讀、翻唱換聲直出和音樂緩存聯動收進一個插件；README 明確說明音頻默認在本機處理，不把樣本、對話或音頻上傳到雲端。下面按安裝、面板用法和工具接口說明可覈對的事實。

這是什麼¶

dsh-voice-unified 是 DeepSeek Harness 下的「模型推理」類插件（當前 package 版本 1.6.2，MIT 許可）。它統一管理多音色與音色進化、七種情感 TTS、翻唱換聲直出、音樂緩存聯動，並提供設置頁與快捷鍵打開的管理面板。宿主要求：Windows 10/11 x64、DSH ≥ 0.2.1、系統自帶 Windows SAPI 中文音色（如 Microsoft Huihui Desktop）、DSH 自帶 Python 與 numpy；ffmpeg 隨包提供（GPL 構建，見 NOTICE-ffmpeg.txt）。

核心功能¶

能力在 README 中以表格歸納，此處按使用路徑簡述。

音色與樣本¶

• 多音色檔案：創建、命名、描述、標籤、刪除、啓用/停用；每個檔案獨立管理樣本、訓練版本、試聽記錄。
• 全局默認音色：全局唯一默認，按需語音回覆與默認翻唱使用；可隨時切換。
• 臨時音色：通過 voice.speak / voice.cover.run 可臨時指定檔案，不改變全局默認。
• 樣本與進化：上傳/錄音/參考音頻、追加樣本、靜音切片、質量檢測、時長統計、增量訓練、版本回滾。

情感語音與按需播報¶

情感類型包括：平靜、開心、溫柔、嚴肅、安慰、興奮、低落；支持情緒/語速/音調/停頓參數、跨輪情緒與重置。

默認不自動播報每條模型回覆；只有用戶明確說「唱/說/語音/朗讀/翻唱」等時才生成。也可在「語音設置」打開「始終語音回覆」。語音回覆會省略過程說明；翻唱或按需語音完成後默認寫入當前會話，對話內直接播放，失敗不阻塞普通對話。

翻唱與音樂聯動¶

翻唱流水線：STFT 中置軟掩碼分離 → 音色轉換 → 默認清唱+伴奏（主唱清晰、原唱人聲關閉）→ MP3/WAV；支持異步隊列、日誌、重試、導出。

音樂插件聯動：可接收緩存文件路徑/URL/歌曲名，監聽緩存目錄，也可直接抓取音樂插件當前音頻流。

對話體驗¶

• 回覆與翻唱統一爲微信式語音氣泡，按時長自適應寬度（1.6.2 起調整了寬度與內邊距公式）。
• 右鍵對話內語音播放器可「轉文字」；TTS 優先用原始文本，其他音頻走本地識別。

管理界面與工具¶

• 入口：設置 → 聲音，或 Ctrl+Shift+V；四頁：音色管理、語音設置、翻唱任務、全局狀態；標題欄可拖動。
• 對外提供 14 個命令的完整參數與返回；因 DeepSeek API 工具名僅接受 ^[a-zA-Z0-9_-]+$，插件默認註冊下劃線別名（如 voice_profile_create）及統一入口 voice（action 爲點號命令名，params 爲參數對象）。點號原名可通過 DSH_VOICE_DOTTED_TOOLS=1 可選開啓。詳見倉庫內 docs/TOOLS.md。

數據默認目錄 ~/.dsh/dsh-voice-unified/，可用環境變量 DSH_VOICE_HOME 覆蓋；含 state.json、samples/、audio/replies/、audio/covers/、cache/ 等（完整樹見 README）。

安裝與啓用¶

完整步驟見倉庫 INSTALL.md。README 給出的添加方式爲本地 link（profile 名按你的 DSH 安裝替換）：

# 在插件目錄執行；profile 名按你的 DSH 安裝替換
dsh plugin --profile desktop add "link:C:\絕對路徑\dsh-voice-unified"
# 重啓 DSH 後生效

插件以當前 DSH 進程權限運行；安裝前應自行查看 GitHub 源碼 與許可證。社區目錄 skillhub.cn 爲獨立站點，與 DeepSeek / 幻方無官方從屬關係。

典型用法¶

按 README「快速使用」可復現主鏈路：

1. 在「設置 → 聲音」或 Ctrl+Shift+V →「音色管理」→「新建音色」。
2. 上傳 2~4 段 3~15 秒清晰人聲（wav/mp3/m4a/flac/ogg），點擊「訓練」。
3. 訓練完成後「試聽」；滿意後「設爲默認」。
4. 對話中說「唱一下/說一句/用語音/朗讀/翻唱」等觸發語音；或在「語音設置」開啓「始終語音回覆」。
5. 「翻唱任務」中選擇音樂緩存文件或本地上傳，選音色，「開始翻唱」；默認完成後作爲語音回覆進入當前會話，並可導出 MP3/WAV。
6. 右鍵語音播放器 →「轉文字」查看或複製文本。

倉庫內還提供引擎與驗收腳本（如 node tests/core-smoke.mjs、node tests/live-acceptance.mjs 等），用於自測，見 README「自測」一節。

適用場景與注意¶

適合：需要在 DSH 對話裏統一管克隆音色、情感朗讀和翻唱、且希望音頻留在本機的 Windows 用戶；已與 DSH 音樂類插件做緩存聯動的場景。

注意：

• 平臺與依賴以 README 爲準（Windows x64、DSH ≥ 0.2.1、Node ≥ 20 等）。
• 翻唱與非 TTS 音頻的「轉文字」走本地識別，可能不完全準確。
• 配置項、硬件建議、已知限制分別見 docs/CONFIG.md、docs/HARDWARE.md、docs/LIMITATIONS.md。

結尾¶

dsh-voice-unified 把音色檔案、情感 TTS、翻唱直出和音樂緩存收到同一套本地流程裏，並通過管理面板與 voice 工具入口對接模型側調用。進一步瞭解可訪問社區目錄頁 https://www.skillhub.cn/plugins/ten-feng/dsh-plugin-voice-unified 與源碼倉庫 https://github.com/ten-feng/dsh-plugin-voice-unified。