dsh-voice-suite

dsh-voice-suite · 语音套件

English | 中文

DSH（DeepSeek Harness）语音交互套件：免费微软神经音色的页内播报 + 快捷键语音输入，基于 dsh-speech-plugin（MIT）定制增强，edge-tts 协议实现收编自 dsh-voice（MIT）。

功能

• 🔊 每条回复可播报：消息操作条的喇叭按钮，页内直接朗读（自动剥离 markdown/表情，跳过代码块）
• 📣 自动播报开关：会话头部开关，开启后新回复自动朗读（浏览器本地记忆）
• 🆕 edgetts 免费引擎：页内播报走微软 edge-tts 协议——22+ 神经音色、可调语速音调、 零 API key、零成本、无限量；也可切换系统音色 / 阿里百炼 / 火山豆包
• 🎤 语音转文字（语音输入）：麦克风 → 阿里百炼 paraformer-realtime-v2 实时识别 → 文字进输入框， 实时出字、句末自动加标点；也可切换火山豆包。链路：麦克风 → 浏览器采集 PCM → 插件 WebSocket → 百炼实时识别 → 文字落入输入框
• ⌨️ 键盘快捷键（默认 Alt+Q）：轻按 = 开始/结束录音；长按 ≥300ms = 按住说话松开结束
• 📤 录音结束自动发送（可关）
• 🛑 录音自动打断播报：开始说话即停朗读，防回声串台

安装

npx -y @deepseek-ai/dsh plugin --profile web add <你的GitHub用户名>/dsh-voice-suite
# 或本地目录
npx -y @deepseek-ai/dsh plugin --profile web add /path/to/dsh-voice-suite

语音输入需要 ASR 密钥（页内播报不需要，edgetts 完全免费）：

# ~/.dsh/.env
SPEECH_DASHSCOPE_API_KEY=sk-...      # 阿里百炼（推荐，每月免费 10 小时）
# 或 SPEECH_VOLCENGINE_API_KEY=...

语音识别引擎说明（ASR）

语音输入（麦克风 → 文字）默认使用阿里云百炼的实时语音识别大模型：

也可切换火山豆包（asrEngine: volcengine，需控制台 API Key）。 换识别模型：配置项 dashscopeAsrModel（默认 paraformer-realtime-v2）。

注意：百炼账户欠费会同时禁用语音输入（Arrearage 策略），语音输入突然失效先查控制台余额。

配置（profile 的 cordis.patch.yml）

- id: ui-speech
  name: dsh-voice-suite
  config:
    engine: edgetts                  # auto | system | dashscope | volcengine | edgetts
    edgeVoice: zh-CN-XiaoxiaoNeural  # 微软神经音色，400+ id 可选
    edgeRate: '+20%'                 # 语速 -50% ~ +100%
    edgePitch: '+0Hz'                # 音调
    asrEngine: dashscope             # auto | off | dashscope | volcengine

浏览器端个人化（F12 控制台设置，刷新生效）：

localStorage.setItem('dsh.speech.micHotkey', 'Ctrl+M')  // 换快捷键
localStorage.setItem('dsh.speech.autoSend', '0')        // 关自动发送

常用音色

完整清单见微软 Speech 服务语音目录，合法 id 均可填。

许可

MIT。衍生自两个 MIT 上游项目（见 LICENSE）。

English

dsh-voice-suite

A speech interaction suite for DSH (DeepSeek Harness): free Microsoft-neural-voice in-page announce + hotkey voice input, customized from dsh-speech-plugin (MIT), with the edge-tts protocol implementation adopted from dsh-voice (MIT).

Features

• 🔊 Speak any reply in-page via the per-message horn button
• 📣 Session-level auto-announce toggle (persisted per browser)
• 🆕 edgetts engine: page announce over the Microsoft edge-tts protocol — 22+ neural voices, adjustable rate/pitch, no API key, no cost, unlimited; system voices / Aliyun DashScope / Volcengine remain selectable
• 🎤 Speech-to-text voice input: mic → Aliyun Bailian paraformer-realtime-v2 realtime ASR → text lands in the composer with live partials and auto punctuation; Volcengine also selectable. Pipeline: mic → browser PCM capture → plugin WebSocket → Bailian realtime ASR → composer
• ⌨️ Hotkey (default Alt+Q): tap = toggle; hold ≥300ms = push-to-talk
• 📤 Auto-send the transcript when recording ends (disable via localStorage)
• 🛑 Recording interrupts any in-flight announce (echo guard)

Install

npx -y @deepseek-ai/dsh plugin --profile web add <your-github-user>/dsh-voice-suite

Voice input needs an ASR key (announce does not — edgetts is free):

# ~/.dsh/.env
SPEECH_DASHSCOPE_API_KEY=sk-...

Configuration

See the YAML block above; row id is ui-speech, engine values auto | system | dashscope | volcengine | edgetts.

Voice input defaults to Aliyun Bailian (DashScope) realtime ASR — model paraformer-realtime-v2, free tier 36,000 seconds (10 h) per month, then ¥0.00024/s; get an sk- key at the Bailian console. Full details in the Chinese section above.

License

MIT. Derives from two MIT upstreams (see LICENSE).