前言¶

在 DeepSeek Harness（DSH）裏用模型做智能體或日常對話時，鍵盤輸入是默認路徑。若希望「說完就發、聽完再接着說」，常見做法是在瀏覽器裏反覆點錄音、等識別、再點發送，朗讀回覆時也很難自然打斷。DSH 社區插件 dsh-voice-dialog 把整條鏈路收進一次麥克風開關：自動斷句、發送前留出可編輯的確認窗口，回覆用語音播放且支持開口即打斷。下面按定位、能力、安裝與用法說明如何接入。

這是什麼¶

dsh-voice-dialog 由維護者 QiNFPV 發佈，分類爲客戶端插件，面向 DeepSeek Harness 0.2.x（桌面 / Web）。核心流程可概括爲：點一次麥克風進入語音模式 → 說話 → 約 1.2 秒靜音視爲一句結束 → 識別文本先進入輸入框，2 秒後自動發送 → 助手回覆被朗讀 → 播放過程中再次說話可立即打斷並重新聽寫。

插件當前發行版爲 0.1.3（見倉庫 package.json 與 Releases），許可證 MIT，運行時僅需 Node ≥20 與依賴 ws；默認配置不需要 Python、ffmpeg 或獨立服務。語音合成走 Microsoft Edge TTS，需能訪問 speech.platform.bing.com。可選接入本地 faster-whisper 橋接以提升識別準確度。

• 目錄頁：skillhub.cn/plugins/QiNFPV/dsh-voice-dialog
• 源碼與文檔：github.com/QiNFPV/dsh-voice-dialog

核心功能¶

以下能力均來自項目 README，按使用順序歸納。

連續對話與斷句¶

• 一次進入：點麥克風後無需每句話再按按鈕。
• 自動斷句：約 1.2 s 靜音結束當前句。
• 2 秒確認窗：識別結果先出現在 composer，默認 2 秒後自動發送；任意按鍵或點擊 composer 可暫停計時，改字後按 Enter 發送。
• 空閒退出：10 s 無語音則退出語音模式，避免麥克風長期佔用。

識別與文本處理¶

• 識別糾錯：可修正明顯 ASR 錯誤；含長數字串的句子會跳過糾錯，避免誤改電話、金額等。
• 口吃摺疊（Stutter collapse）：如重複的「來來來來」在發送前合併。
• 短句識別：極短應答（如「嗯」「對」「好的」）按正確語種保留，而非丟棄或誤判爲英文。
• 語種：識別自動檢測；麥克風旁下拉框隻影響朗讀用音色，不鎖定識別語言。

朗讀與打斷¶

• 僅語音觸發的回覆會朗讀：鍵盤輸入的消息不播報。
• 按回復語種選音色；日語朗讀前會去掉假名注音標記。
• Barge-in：回覆播放時開始說話，播放立即停止並重新拾音。

界面與可選 Whisper¶

• 插件按鈕與設置文案隨 DSH 宿主界面在中英文間切換。
• Local Whisper update check（默認開啓）：可週期檢查本地 faster-whisper 與模型版本，在設置頁查看狀態；有更新時麥克風旁會出現徽標，需二次確認後才執行升級（不阻塞語音輸入）。檢查間隔、立即檢查等項見下文設置表。

環境要求¶

安裝與啓用¶

安裝包須從 GitHub Releases 獲取 dsh-voice-dialog-0.1.3.tgz，勿使用未在文檔中出現的 dsh plugin add github:... 形式。

圖形界面¶

1. 下載 dsh-voice-dialog-0.1.3.tgz 到持久目錄（不要放在 /tmp 或 %TEMP%）。
2. 在 DSH 中打開 Settings → Plugins → Install from file 安裝。
3. 確認當前 profile 的 bundle 列表包含 dsh-voice-dialog，完全重啓 DSH。

命令行等價操作¶

將路徑替換爲本機上的 tgz 實際位置：

dsh plugin --profile desktop add /path/to/dsh-voice-dialog-0.1.3.tgz

隨後在 profile 配置的 dsh.profile.bundles 中加入 dsh-voice-dialog 並重啓 DSH。

手動解壓（備選）¶

解壓到 ~/.dsh/profiles/<profile>/node_modules/dsh-voice-dialog/ 後重啓。不要從其他機器拷貝整個 node_modules；若缺依賴，在插件目錄內執行 npm install --omit=dev。壓縮包內另有中文 安裝說明.txt 與英文 install-notes.en.txt。

典型用法¶

1. 點擊 composer 左側麥克風；進入語音模式後按鈕變紅。
2. 正常說話，約 1.2 秒停頓結束一句。
3. 識別文本進入輸入框，2 秒後自動發送；需要改字時先按鍵或點擊輸入框暫停計時，編輯後按 Enter。
4. 等待回覆朗讀；播放中直接說話即可打斷。
5. 再次點擊麥克風，或靜默 10 秒，退出語音模式。

設置項¶

路徑：Settings → Plugins → Voice Dialog

• Languages in the picker：下拉里顯示的語言（默認含 Auto / 中文 / English / Japanese）。
• Show all voices (advanced)：列出全部 Edge 音色。
• Auto-correct recognition：識別糾錯（長數字句跳過）。
• External APIs (optional)：可填 OpenAI 兼容的 STT / TTS 端點與密鑰；留空則用內置後端。
• Stutter collapse / Robust short utterances：與上文識別行爲對應。
• Local Whisper update check：見下表。

Whisper 自動檢查（摘自文檔默認值）：

檢查失敗或離線時僅更新狀態文案，不影響語音管線；結果會寫入 ~/.dsh/voice-tutor-config.json 的 whisperUpdate 字段。

適用場景與注意¶

適合誰：需要在 DSH 里長時間口頭交互、希望減少「錄一句發一句」操作、並希望在聽回覆時能隨時插話的桌面或 Web 用戶。若網絡無法訪問 Edge TTS 域名，需改用設置中的外部 TTS API 或先解決連通性。

安全與許可：插件以當前 DSH 進程權限在客戶端運行，會使用麥克風並可能發起對 PyPI、Hugging Face、必應語音等站的網絡請求。安裝前建議在 GitHub 查閱源碼與 MIT 許可證，確認與自身環境策略一致。社區目錄 skillhub.cn 爲獨立站點，與 DeepSeek / 幻方無官方從屬關係，並非官方應用商店。

結尾¶

dsh-voice-dialog 把連續聽寫、發送前確認、朗讀與打斷串成一條默認路徑，並在可選 Whisper 棧上提供不阻塞語音的更新檢查。需要安裝包與詳細 Whisper 升級流程時，以倉庫 README 與 Releases 爲準。

• 插件目錄：https://www.skillhub.cn/plugins/QiNFPV/dsh-voice-dialog
• GitHub：https://github.com/QiNFPV/dsh-voice-dialog