前言¶

在 DeepSeek Harness（DSH）裏用語音填輸入框，常見做法是點麥克風開始、再點一次停止。對話節奏快時，多一次點擊會打斷思路。社區維護者 zl0215 在倉庫 zl0215/dsh-vediocontrol 中提供了客戶端插件 dsh-push-to-talk（npm 包名 dsh-push-to-talk，版本 0.1.0）：在輸入框旁提供「按住說話」按鈕，並支持單個按鍵按住錄音、鬆開自動識別併發送。識別仍走本機已有的 speechToText 服務（語音輸入實驗包裏的 SenseVoice 或雲端），不另建識別通道、不重複下載模型。

這是什麼¶

dsh-push-to-talk 屬於 DSH 客戶端類插件，維護者爲 zl0215。啓用後會停用內置的點擊式語音前端 ui-voice-input，改爲按住說話按鈕與單鍵快捷鍵，避免出現兩個麥克風。停用或卸載本插件後，內置麥克風會恢復；語音插件裏已保存的識別服務與語言偏好繼續生效。

目錄頁：https://www.skillhub.cn/plugins/zl0215/dsh-vediocontrol
源碼與說明：https://github.com/zl0215/dsh-vediocontrol

核心功能¶

按住說話與發送¶

• 麥克風按鈕：位於輸入框右側、發送按鈕之前。按住開始錄音，波形與計時顯示在輸入框下方；鬆開即識別，並將文字插入按住時記錄的光標位置後調用 inputActions.submit() 發送。
• 快捷鍵：默認 F2（單個按鍵）。在頁面內任意位置或輸入框內按住 F2 說話，鬆開即識別併發送。
• 取消：上滑後鬆開、按 Esc，或在按住快捷鍵時再按其它字符鍵，會取消本次錄音。
• 按下不足 350ms 視爲誤觸，不會識別；未識別到語音也不會發送。單次最長錄音 120 秒（與語音服務默認上限一致）。

自定義快捷鍵¶

路徑：設置 → 通用 → 「按住說話快捷鍵」。

1. 點「修改」，再按下一個按鍵完成綁定。
2. 只接受非字符按鍵：F1–F12、左/右 Ctrl、左/右 Alt、左/右 Shift，避免與打字衝突。
3. 「恢復默認」回到 F2。綁定保存在瀏覽器 localStorage，換頁或重啓 DSH 後仍生效。

同一頁還有 「麥克風常駐」：開啓後麥克風保持待命，按下幾乎零等待（系統麥克風指示會持續亮）；關閉時每次識別成功後熱連接約 2 分鐘。首次識別成功後會提示「開啓零等待」，也可在設置裏手動打開。

全局快捷鍵（Windows）¶

設置 → 通用 → 「全局快捷鍵（其它軟件中也能用）」 默認開啓時，插件會啓動本機 PowerShell 輔助進程 hotkey.ps1，安裝 Windows 低級鍵盤鉤子，只監聽綁定的那一個鍵，不聯網、不記錄輸入、不攔截按鍵（其它軟件仍收到該鍵）。

在其它軟件中 按住 F2（或你綁定的鍵）→ 鬆開，識別結果會發送到 DSH 當前會話。更換快捷鍵後會重啓輔助進程；關閉開關即停止。全局能力目前僅支持 Windows。DSH 窗口不要最小化（可置於其它窗口後），否則瀏覽器可能節流頁面。第一次在 DSH 頁面仍需允許麥克風權限。

與內置語音插件的關係¶

本插件通過 bundle patch 關閉 ui-voice-input，只替換前端交互，Host 側仍依賴 @deepseek-ai/dsh-experimental-voice-input-bundle 提供的 speech-to-text 等能力。模型未就緒時，輸入框下方會提示「下載並準備」，本插件可觸發下載並顯示進度。

實驗功能：回覆浮窗（默認關閉）¶

設置 → 通用 → 「回覆浮窗（實驗）」，僅 Windows、默認關閉。開啓後，用全局快捷鍵提問時回答可邊生成邊顯示；可配置背景不透明度、字體、字號。不屬於主流程，按需開啓即可。

安裝與啓用¶

前置條件：已啓用 @deepseek-ai/dsh-experimental-voice-input-bundle；首次使用需在頁面允許麥克風權限。插件以當前 DSH 進程權限運行，安裝前建議閱讀倉庫源碼與 MIT 許可證。

從 GitHub 安裝（README 給出的當前可用方式）：

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

等價寫法：

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

也可在 DSH 插件 → 安裝 頁面填入包名或 Git 地址。npm 發佈後可使用 dsh plugin --profile web add dsh-push-to-talk（README 註明暫未發佈）。安裝後 bundle 會停用內置點擊式語音前端；在 Windows 上按需啓動本機輔助進程監聽全局按鍵。

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

典型用法¶

1. 完成語音輸入 bundle 與模型準備後，安裝本插件並打開 DSH 聊天頁。
2. 頁面內：按住輸入框旁麥克風，或按住 F2，看到「正在聆聽」後再說話，鬆開等待識別並自動發送。
3. 需要改鍵時進入 設置 → 通用，修改「按住說話快捷鍵」；若常在其它軟件裏口述，保持「全局快捷鍵」開啓，並視延遲情況打開「麥克風常駐」。
4. 識別完成後若草稿在錄音期間被改動，插入可能失敗，輸入框下方會提供「插入併發送 / 丟棄」。

延遲說明（來自 README）：快捷鍵冷按會有打開麥克風的 0.1–0.4 秒左右延遲（藍牙耳機可能更長）；識別成功後 2 分鐘內再按通常很快；「麥克風常駐」可進一步消除等待。鬆開至文字發出，本機 SenseVoice 常見約 0.2–0.6 秒。

適用場景與注意¶

適合：希望在 DSH 裏用「對講機式」語音輸入、減少點擊；Windows 用戶需要在瀏覽器外按住單鍵把話送進當前會話。

注意：

• 不提供輸入設備與識別語言選擇器，使用系統默認麥克風與語音插件已保存的服務/語言（默認自動識別）。
• 頁面內快捷鍵僅在存在聊天輸入框的頁面生效；全局快捷鍵需要 DSH 運行且當前會話有輸入框。
• 頁面內按住期間切換會話、頁面隱藏或失焦會結束錄音；全局錄音不受窗口失焦影響。
• 全局快捷鍵收不到發往「以管理員運行」窗口的按鍵；UAC/鎖屏期間無事件。
• 若語音輸入 bundle 被停用，按鈕會半透明並在輸入框下方說明服務不可用。

Host 側在本機迴環註冊 JSON 接口（如 GET /push-to-talk/api/status、POST /push-to-talk/api/transcribe 等），僅 127.0.0.1 / ::1 可訪問；錄音數據僅在單次請求內處理，不寫入會話事件。

結尾¶

dsh-push-to-talk 把 DSH 語音輸入改成「按住錄、鬆開發」，並可選 Windows 全局單鍵，識別鏈路仍復用實驗語音包，不重複造輪子。社區目錄頁：https://www.skillhub.cn/plugins/zl0215/dsh-vediocontrol；安裝命令與細節以 GitHub README 爲準：https://github.com/zl0215/dsh-vediocontrol。