dsh-voice

🎤 dsh-voice

DeepSeek Harness (dsh) 语音转文字插件：输入框右下角一个麦克风按钮，说完话，文字直接进输入框。

点一下说话 · 再点一下出字 · 三种识别引擎可切换 · 液态玻璃风格

✨ 功能特性

• 🎙️ 一键语音输入：输入框右下角（发送键左侧）的麦克风按钮，点一下开始录音、再点一下停止并转写，结果追加进输入框；
• 🔁 三种识别引擎（改一个常量切换）：

  引擎	说明	费用
  webspeech（默认）	浏览器自带语音识别，装完即用、零配置（Edge 走微软云端，国内可用；Chrome 走谷歌，国内可能不通）	免费
  xfyun	讯飞语音听写，中文效果最好、秒级返回，密钥只存在本机服务端	免费额度/按量
  whisper	浏览器本地 Whisper（small q8），音频不出机器、可离线	免费

• 🎚️ 麦克风设备选择下拉框：列出所有音频输入设备，选择持久化（localStorage），不再被浏览器的默认麦克风坑（Web Speech 引擎不支持指定设备，该模式下自动隐藏）；
• 📈 自动增益：安静麦克风录出的低音量语音会自动放大再识别，避免"没检测到声音"；
• 🔇 静音/过短拦截：完全无声或不足 0.25 秒的录音直接本地拦截，不浪费云端配额；
• 📝 长句完整拼接：讯飞按 VAD 把长语音切成多段，插件会把所有段落按顺序拼回，不会只出后半句；
• 🪟 液态玻璃主题：按钮用 --dsw-* 设计令牌 + --lg-glass-blur 毛玻璃效果，与 dsh-liquid-glass 主题一致。

🚀 安装

dsh plugin --profile web add git+https://github.com/charlie-pan/dsh-voice.git

重启 dsh web 并硬刷新，打开一个会话即可在输入框右下角看到麦克风按钮。

🛠️ 配置

改 client.js 顶部的常量：

讯飞凭据（使用 xfyun 引擎时）

1. 注册 讯飞开放平台 → 控制台 →「我的应用」→ 创建应用（开通语音听写），拿到 APPID / APIKey / APISecret；
2. 二选一配置（密钥只存在本机，不进浏览器、不要提交到仓库）：
   • 环境变量：XFYUN_APPID / XFYUN_APIKEY / XFYUN_APISECRET；
   • 本地文件：在插件目录放一个 xfyun.secret.json（已被 .gitignore 忽略）：

{ "appId": "…", "apiKey": "…", "apiSecret": "…" }

1. 重启 dsh web（host 半在启动时加载）。

❓ 常见问题

• 点麦克风没反应/没声音：检查设备下拉框选的是不是正在用的麦克风；webspeech 引擎用的是浏览器默认麦克风，需在浏览器设置里改默认设备。
• Chrome 下 Web Speech 报 network 错误：国内 Chrome 走谷歌服务不可用，换 Edge（或 WebView2 内核），或改用 xfyun 引擎。
• 识别出"you/thank you"等英文乱码（whisper 引擎）：TRANSCRIBE_LANGUAGE 已默认强制中文；换其他语言改它即可。
• 长句只出后半段（xfyun 引擎）：已修复（多段拼接）；若仍出现请反馈。
• 语音输入没出字但讯飞用量增加：录音太安静被 VAD 判为无人说话——自动增益已解决大部分情况；建议在 Windows 声音设置里调高麦克风输入音量。

🧱 插件结构

dsh-voice/
├── package.json        # dsh.bundle.patch + dsh.client(web)
├── cordis.patch.yml    # 插入插件行
├── host.js             # Node 半：/dsh-voice/asr（讯飞）+ /dsh-voice/hf（模型代理）
├── client.js           # 浏览器半：按钮/下拉框/录音/转写/写回
├── README.md · LICENSE · .gitignore

🔧 开发

# 本地迭代（改 client.js 刷新即可生效；改 host.js 需重启 dsh）
dsh plugin --profile web add link:<本目录绝对路径>

📄 License

MIT