前言¶
DSH 生态里的 TTS 插件大多跑在 Harness 网页版，声音靠浏览器的 Web Audio 播。如果目标是手机 App 的 Flutter 原生界面，这些插件根本不会触发——播放能力和浏览器绑在一起了。
27Synthesis/dsh-go-local-voice（中文名「鲸鲸朗读」）解决的就是这一件事：给 DeepSeek Harness / dsh-go 手机 App 原生界面加语音朗读，用小米 MiMo TTS 或字节豆包 Seed TTS 合成回复内容，直接在 App 里播放。分类属于模型推理，由 27Synthesis 维护。下面按功能、安装、配置、用法的顺序介绍。
核心能力¶
先明确它管哪些事，都是 README 里写明的可落地能力：
- 长按任意一条助手回复，菜单出现「读出来」和「存成音频」；前者直接播放，后者导出 MP3 到手机存储。
- 小米 MiMo 走
mimo-v2.5-tts，内置 8 个音色（冰糖 / 茉莉 / 苏打 / 白桦 / Mia / Chloe / Milo / Dean），支持语音指令（语气、方言、情绪）。 - 豆包 Seed TTS 走
seed-tts-2.0，声音复刻走seed-icl-2.0，使用 HTTP v3 单向流。 - 长文一次念完：回合结束后台分段预取，点一次交出去的是一整段音频，不是「点一次念 120 字」。
- 「停止」按钮真的停得住，靠固定播放实例加稳定的 lease。
- 输入框上方有状态条（
正在合成语音…/朗读中 0:12 / 1:40），面板里有进度条。 - 导出过的文件在面板里列出，点一下复制路径。
- Markdown 清洗：代码块、链接、表格、行内代码都不会被念出来，链接读作「链接」。
安装与启用¶
插件目录放在 $DSH_HOME/dsh-go/plugins/ 下（DSH_HOME 默认 ~/.dsh）。下面两条命令分别克隆目录、注册插件。
git clone https://github.com/27Synthesis/dsh-go-local-voice.git \
"$HOME/.dsh/dsh-go/plugins/local-voice"
dsh plugin --profile web add "$HOME/.dsh/dsh-go/plugins/local-voice"
装完需要在 App 里重启一次引擎（设置 → 引擎 → 重启引擎），之后才能看到入口：
- 长按助手消息，菜单里出现「读出来」「存成音频」；
- 输入框上方「插件」胶囊里点「鲸鲸朗读」。
卸载则反过来：
dsh plugin --profile web remove local-voice
再删掉本地目录即可。
配置¶
第一次使用要先在主面板点「打开设置」，填入 API Key。各字段如下表。
| 项 | 说明 |
|---|---|
| 小米 Key | 在小米 MiMo 控制台申请，形如 sk-... |
| 豆包 Key | 在豆包语音控制台申请，标准音色与 Agent Plan 都支持 |
| 豆包音色 ID | 形如 zh_female_...；用声音复刻时填复刻音色 ID |
| 每段字数 | 默认 140。约 0.08 秒/字，140 字≈11 秒，稳在单次 30 秒的生产预算内 |
| 自动预取 | 默认开启。回复一结束就在后台把整条合成好，之后点「读出来」几乎秒播 |
Key 只保存在本机 data/settings.json（权限 0600），不会进仓库、不会出现在界面、不会发给模型；data/ 已在 .gitignore 中。
典型用法¶
装好并配好 Key 后，操作顺序只有三步：
- 打开 App，发起一次对话。
- 回合结束后，插件已在后台按 140 字切段、并发 3 合成，写入
data/cache/<sha1>/sNNN.mp3，全齐后拼成all.mp3。 - 长按最新那条回复，选「读出来」开始播放，或选「存成音频」导出。
冷缓存时插件最多等 15 秒，先交已经合成好的前几段（约 30～60 秒语音），剩下的后台继续；10 分钟内再点一次会从上次停的地方接着念。状态条和面板进度条会同步显示进度。
实现要点¶
给想改代码的人：dsh-go 原生插件的桥接协议（v1.2）有三条硬约束决定了实现方式。一是 media 路由必须在 30 秒内产出字节（CAP_LIMITS.mediaMs），这是生产预算，不是音频时长上限；二是音频本身可以很长（≤16 MiB），App 拿到整段自己播，play / stop 作用在同一个 instance 上；三是插件不能主动推播放效果，onCapability 的返回值不会被执行成效果，所以「播完自动接下一段」做不到。
据此，插件把工作拆成预取和播放两段：session/event 的 turn/end（completed）时切段并发合成到缓存目录；用户点按后 read 只建任务并立刻返回 {type:'audio', op:'play', instance:'read', src:'media:speech', key}，App 回来 GET 媒体路由时，插件把缓存拼成一个整段 MP3（MP3 裸帧直拼合法，不需要 ID3 头）。
关于段长取 140：README 给出实测数据（小米 MiMo v2.5 TTS，非流式 MP3，手机网络），15 字≈2.4 s、60 字≈4.7 s、120 字≈8.3 s、240 字≈38 s（超预算）、400 字≈32.6 s、800 字≈54.9 s。为保证单段稳定落在 30 秒预算内，才把默认段长定为 140 字。
已知限制¶
使用前需要知道这些边界，都是 README「已知限制」列出的：
- 不能「回复结束自动开口」：协议只允许用户点按触发播放。
- 小米目前没有语速参数；豆包有
speech_rate，但面板还没暴露。 - 暂停 / 继续：桥接的
pause实测不可靠，已移除。 - 单次播放音频上限 16 MiB（约 5.5 分钟语音），超长回复会在后台继续合成，下次点按接着念。
- 豆包那一路没有 Key 实测过（按 v3 单向流接口写的），首次使用请先短句试听。
另外插件在踩坑里提到几处实现约束：播放的 instance 必须固定（这里用 read），每次换实例名会让 stop 找不到 lease；面板的 select 下拉框不可靠，音色面板改成 list 一行一个，点一下立刻写设置并刷新；状态必须走数据绑定（{"$": "data.info.status"}），视图里写死文字的话数据每秒推界面也不变；主面板只用 v1 组件，需要输入框的项放在「朗读设置」面板（v2）。
排查与自检¶
出问题时从这三处入手：
data/debug.log：记录点按、媒体字节数与耗时、audio.ended/stopped/error、预取情况，不记 Key、不记正文。data/settings.json：当前配置（权限 0600）。- 插件结构自检：
node $DSH_HOME/skills/dsh-go-plugin/kit/bin/check.mjs \
<插件目录> --load
适用场景与注意¶
适合想在 dsh-go 手机原生界面里给助手回复加语音、不希望依赖浏览器 Web Audio 的人；不适合需要自动朗读或暂停继续的场景。
两点提醒：这个插件会以当前 dsh 进程的权限运行，安装前应先读一遍源码（仓库地址见下）并确认许可证；插件格式与桥接能力来自 deepseek-harness 的 dsh-go 插件协议，思路和小米/豆包接口细节参考了网页版项目 dsh-xiaomi-tts（MIT），本仓库是面向 dsh-go 原生界面的独立实现。
目录页：https://www.skillhub.cn/plugins/27Synthesis/dsh-go-local-voice
源码：https://github.com/27Synthesis/dsh-go-local-voice
许可证：MIT（仓库版本 1.0.0，engines.dsh 要求 >=0.2.1-rc.2 <0.3.0-0）。
小结¶
dsh-go-local-voice 的价值很集中：在 DSH 手机原生界面里提供一条真正出声的 TTS 路径，覆盖小米 MiMo 和豆包两路，且把长文、停止、状态、导出和 Markdown 清洗这些细节都处理掉了。安装命令和配置字段都来自 README，功能边界也在已知限制里写清楚了，照着做就能用。
