dsh-voice-mode

dsh-voice-mode

DeepSeek Harness 全双工语音插件 —— 边说边出字 · 按句朗读 · 开口即打断

Full-duplex voice mode for DeepSeek Harness —— 在会话内用语音完成整轮对话：说话时边说边出字、停顿后自动发送；回复按句朗读并跟随实时字幕；朗读中开口即打断。识别在本地推理、无需 API Key；朗读默认 Edge 云端（快且自然），本地 VITS / Kokoro 可选（隐私优先）。兼容 dsh 0.1.1-rc.2 起全版本（已在 0.1.1-rc.2 / 0.1.2-rc.1 / 0.1.5-alpha.2 / 0.1.5-rc.2 / 0.1.6-alpha.2 五版本真实 LLM 端到端验证）。380 项测试全绿（28 套件）；当前版本见上方 npm 徽章与 Releases。

💡 它是什么

在 DeepSeek Harness 的会话里，点一下麦克风就能用语音完成整轮对话：

• 🎤 你说 —— 一边说一边实时出字（流式识别），停顿约 1500ms 自动发送；
• 🔊 它答 —— 最终回复按句朗读，全程实时字幕跟随；
• ⏸️ 随时打断 —— AI 还在朗读时开口即打断，你的话直接被听见。

零 API Key：识别在宿主端本地推理（zipformer2 流式 + SenseVoice 定稿）；朗读默认 Edge 云端（快、自然），可选本地 VITS 纯中文 / Kokoro 中英混读（回复文本不出本机，隐私优先）。

🤔 为什么值得用（3 个真痛点）

✨ 功能（按用户价值）

1. 🎙️ 识别准 —— SenseVoice 多语种定稿 + ITN（数字/日期/货币自动规范化）
2. 🗣️ 不说错 —— 唤醒词待机、唤醒词前缀语气词白名单（嗯/那个 不再误触）
3. 🤝 让位 —— 让位语义 + 三档打断灵敏度（interruptLevel），外放也能精准打断
4. 💬 有感情 —— 本地 Kokoro 103 音色 + Edge 322 音色，行内可试听；分段朗读不漏句
5. 👁️ 字幕 a11y —— 4 档字号 + 3 档宽度，浅色主题变量跟随 dsh 主题

🎬 Demo

上方为当前界面的真实录制（由 screenshots/scripts/capture-demo.mjs 驱动真实链路产出，非 UI 摆拍）；下图为静态总览。

真实录屏脚本见 demos/RECORDING-SCRIPT.md（60s/30s/15s 三段脚本）。
真机截图清单见 screenshots/MANIFEST.md（10 张）。

🚀 5 分钟上手（Quick Start）

dsh plugin --profile web add dsh-voice-mode
systemctl restart dsh   # Linux；其他平台重启 dsh 进程

第一次用：

1. 进入任一会话，按 Ctrl+Shift+V（或点输入区麦克风按钮）进入语音模式，状态条显示「聆听中…」；
2. 说一句完整的话（如「帮我看看今天的天气」）→ 实时字幕立即出现，停顿后自动发送；
3. AI 回复开始朗读时，开口说话 → 朗读即刻停止，你的话被听见（这就是 barge-in）。

操作手势

⚙️ 配置（4 新设置字段 + 3 默认值微调）

设置 → Plugins → 插件配置 → 语音模式（voice-mode）。

4 新设置字段（11 批次周全修复落地）

3 默认值微调（批 J）

字段名零变化，旧 ~/.dsh/settings.yaml 100% 兼容。

完整 19 项设置表见 plugin/dsh-voice-mode/README.md。

🏛️ 架构（Architecture）

flowchart LR
    subgraph Client["浏览器 Client"]
        Mic[麦克风 16kHz<br/>AudioWorklet] --> VAD[客户端 VAD<br/>RMS 分段]
        VAD -->|partial 0.9s| PC[partial 出字 + 字幕浮层]
    end

    subgraph Host["宿主 dsh.host"]
        ASR[zipformer2 流式识别<br/>host 端 WASM] --> SV[SenseVoice 定稿<br/>+ ITN + 标点]
        SV --> Draft[composer draft<br/>autoSend]
        Draft --> Tap[llm/stream tap<br/>仅观察·不阻塞]
        Tap --> Seg[sentence segmenter]
        Seg --> Q[TtsQueue<br/>epoch 打断]
        Q --> TTS{引擎}
        TTS -->|edge| Edge[Edge 云端]
        TTS -->|vits| Vits[本地 VITS<br/>WASM]
        TTS -->|kokoro| Kokoro[本地 Kokoro<br/>原生 addon]
    end

    PC -->|audio f32 PCM| ASR
    Edge -.->|SSE audio frame| PC
    Vits -.->|SSE audio frame| PC
    Kokoro -.->|SSE audio frame| PC
    VAD -.->|唤醒词/打断| Host

详细架构决策：见 docs/adr/ 8 个 ADR。

🔍 与 dsh 内置语音模式对比

🛠️ 故障排查

已知限制：Ctrl+Shift+V 会覆盖浏览器「粘贴纯文本」快捷键（普通粘贴仍用 Ctrl+V）；识别为简体中文优先；Safari / iOS 需 HTTPS 或 localhost、首次需授权麦克风、后台 / 锁屏会暂停识别与朗读。

🛣️ 路线图（Roadmap）

完整 backlog（43 项 P0-P3）见 docs/competitive/backlog.md。

• ✅ 已完成（v0.7.7）：11 批次周全修复（字幕档位 / 让位语义 / 模型预热 / 默认值微调 / 死代码清理等）
• 🚧 P0（近期）：ADR-0003 VAD 下沉 / ADR-0006 第一级探测接通 manual / F1 emotion DSL 全量上线
• 📋 P1（中期）：MCP voice_* 工具集 / 卡片表单 draft validate / 状态条 idle 优化
• 💡 P2（远期）：声音克隆（用户已决定推迟）/ ADR-0004 WebSocket transport
• ⏸️ 已推迟：xAI fallback / C1 人格层（用户已决定推迟）

📚 文档

🤝 Contributing / 📄 License / 🙏 Acknowledgments

License: MIT

Contributing: PR 欢迎，但请先读 docs/adr/ 8 个 ADR + CONTEXT.md + docs/rules/STATE.md。

Acknowledgments：

• 上游：haoku123/dsh-voice（派生声明见子包 LICENSE）
• 核心依赖：sherpa-onnx（Apache-2.0，本地 ASR / VITS / Kokoro 推理）/ msedge-tts（Edge 云端 TTS）
• 测试支持：awesome-dsh-plugin（收录到精选列表）
• 11 批次周全修复参与贡献者：见 docs/rules/STATE.md § 批次进度表

📌 项目维护：仓库遵循「外科手术式改动」纪律 —— 不顺手优化、不重构无关代码、不强推发布历史；每个 commit 单一职责，便于审查与回滚。详见 CONTEXT.md。