前言¶

在 DeepSeek Harness（DSH）里用语音填输入框，常见做法是点麦克风开始、再点一次停止。对话节奏快时，多一次点击会打断思路。社区维护者 zl0215 在仓库 zl0215/dsh-vediocontrol 中提供了客户端插件 dsh-push-to-talk（npm 包名 dsh-push-to-talk，版本 0.1.0）：在输入框旁提供「按住说话」按钮，并支持单个按键按住录音、松开自动识别并发送。识别仍走本机已有的 speechToText 服务（语音输入实验包里的 SenseVoice 或云端），不另建识别通道、不重复下载模型。

这是什么¶

dsh-push-to-talk 属于 DSH 客户端类插件，维护者为 zl0215。启用后会停用内置的点击式语音前端 ui-voice-input，改为按住说话按钮与单键快捷键，避免出现两个麦克风。停用或卸载本插件后，内置麦克风会恢复；语音插件里已保存的识别服务与语言偏好继续生效。

目录页：https://www.skillhub.cn/plugins/zl0215/dsh-vediocontrol
源码与说明：https://github.com/zl0215/dsh-vediocontrol

核心功能¶

按住说话与发送¶

• 麦克风按钮：位于输入框右侧、发送按钮之前。按住开始录音，波形与计时显示在输入框下方；松开即识别，并将文字插入按住时记录的光标位置后调用 inputActions.submit() 发送。
• 快捷键：默认 F2（单个按键）。在页面内任意位置或输入框内按住 F2 说话，松开即识别并发送。
• 取消：上滑后松开、按 Esc，或在按住快捷键时再按其它字符键，会取消本次录音。
• 按下不足 350ms 视为误触，不会识别；未识别到语音也不会发送。单次最长录音 120 秒（与语音服务默认上限一致）。

自定义快捷键¶

路径：设置 → 通用 → 「按住说话快捷键」。

1. 点「修改」，再按下一个按键完成绑定。
2. 只接受非字符按键：F1–F12、左/右 Ctrl、左/右 Alt、左/右 Shift，避免与打字冲突。
3. 「恢复默认」回到 F2。绑定保存在浏览器 localStorage，换页或重启 DSH 后仍生效。

同一页还有 「麦克风常驻」：开启后麦克风保持待命，按下几乎零等待（系统麦克风指示会持续亮）；关闭时每次识别成功后热连接约 2 分钟。首次识别成功后会提示「开启零等待」，也可在设置里手动打开。

全局快捷键（Windows）¶

设置 → 通用 → 「全局快捷键（其它软件中也能用）」 默认开启时，插件会启动本机 PowerShell 辅助进程 hotkey.ps1，安装 Windows 低级键盘钩子，只监听绑定的那一个键，不联网、不记录输入、不拦截按键（其它软件仍收到该键）。

在其它软件中 按住 F2（或你绑定的键）→ 松开，识别结果会发送到 DSH 当前会话。更换快捷键后会重启辅助进程；关闭开关即停止。全局能力目前仅支持 Windows。DSH 窗口不要最小化（可置于其它窗口后），否则浏览器可能节流页面。第一次在 DSH 页面仍需允许麦克风权限。

与内置语音插件的关系¶

本插件通过 bundle patch 关闭 ui-voice-input，只替换前端交互，Host 侧仍依赖 @deepseek-ai/dsh-experimental-voice-input-bundle 提供的 speech-to-text 等能力。模型未就绪时，输入框下方会提示「下载并准备」，本插件可触发下载并显示进度。

实验功能：回复浮窗（默认关闭）¶

设置 → 通用 → 「回复浮窗（实验）」，仅 Windows、默认关闭。开启后，用全局快捷键提问时回答可边生成边显示；可配置背景不透明度、字体、字号。不属于主流程，按需开启即可。

安装与启用¶

前置条件：已启用 @deepseek-ai/dsh-experimental-voice-input-bundle；首次使用需在页面允许麦克风权限。插件以当前 DSH 进程权限运行，安装前建议阅读仓库源码与 MIT 许可证。

从 GitHub 安装（README 给出的当前可用方式）：

dsh plugin --profile web add github:zl0215/dsh-vediocontrol

等价写法：

dsh plugin --profile web add git+https://github.com/zl0215/dsh-vediocontrol.git

也可在 DSH 插件 → 安装 页面填入包名或 Git 地址。npm 发布后可使用 dsh plugin --profile web add dsh-push-to-talk（README 注明暂未发布）。安装后 bundle 会停用内置点击式语音前端；在 Windows 上按需启动本机辅助进程监听全局按键。

引擎要求（package.json）：dsh >= 0.2.0-rc.1，node >= 20。

典型用法¶

1. 完成语音输入 bundle 与模型准备后，安装本插件并打开 DSH 聊天页。
2. 页面内：按住输入框旁麦克风，或按住 F2，看到「正在聆听」后再说话，松开等待识别并自动发送。
3. 需要改键时进入 设置 → 通用，修改「按住说话快捷键」；若常在其它软件里口述，保持「全局快捷键」开启，并视延迟情况打开「麦克风常驻」。
4. 识别完成后若草稿在录音期间被改动，插入可能失败，输入框下方会提供「插入并发送 / 丢弃」。

延迟说明（来自 README）：快捷键冷按会有打开麦克风的 0.1–0.4 秒左右延迟（蓝牙耳机可能更长）；识别成功后 2 分钟内再按通常很快；「麦克风常驻」可进一步消除等待。松开至文字发出，本机 SenseVoice 常见约 0.2–0.6 秒。

适用场景与注意¶

适合：希望在 DSH 里用「对讲机式」语音输入、减少点击；Windows 用户需要在浏览器外按住单键把话送进当前会话。

注意：

• 不提供输入设备与识别语言选择器，使用系统默认麦克风与语音插件已保存的服务/语言（默认自动识别）。
• 页面内快捷键仅在存在聊天输入框的页面生效；全局快捷键需要 DSH 运行且当前会话有输入框。
• 页面内按住期间切换会话、页面隐藏或失焦会结束录音；全局录音不受窗口失焦影响。
• 全局快捷键收不到发往「以管理员运行」窗口的按键；UAC/锁屏期间无事件。
• 若语音输入 bundle 被停用，按钮会半透明并在输入框下方说明服务不可用。

Host 侧在本机回环注册 JSON 接口（如 GET /push-to-talk/api/status、POST /push-to-talk/api/transcribe 等），仅 127.0.0.1 / ::1 可访问；录音数据仅在单次请求内处理，不写入会话事件。

结尾¶

dsh-push-to-talk 把 DSH 语音输入改成「按住录、松开发」，并可选 Windows 全局单键，识别链路仍复用实验语音包，不重复造轮子。社区目录页：https://www.skillhub.cn/plugins/zl0215/dsh-vediocontrol；安装命令与细节以 GitHub README 为准：https://github.com/zl0215/dsh-vediocontrol。