README
简体中文 · English
Voice
一句话许愿,把文字变成自然人声,把音视频变成干净文字。
DeepSeek Harness(>=0.2.2-rc.3)许愿式(Wish-Driven)聊天优先语音插件(同时附带 5 套主题可选的 Voice Studio 侧边栏工作台):无需记音色 ID、无需反复填参数,在对话框里用自然语言提出需求即可在 1–2 步内拿到完整成品——支持 6 大创作场景预设(scene:podcast/short-video/audiobook/briefing/story/dubbing)、自然语言风格与方言模糊选声("深夜"、"纪录片"、"粤语男声"、"东北话" 等)、目标时长自动校准(targetDurationSec)、内置词边界安全技术发音词典(autoPronunciations)、自包含 HTML5 交互跟读播放器(createPlayer / playerOutput → .player.html)、按场景一键精选试听(voice_preview({ scene })) 与 对话动口持久化记住偏好(voice_prefs)。底层提供零密钥 Edge 神经网络语音(Keep-Alive 连接池、51 个实测可用内置 + 300+ 在线音色、10 套人设)及 OpenAI / SiliconFlow / 自定义引擎(情绪演技、Kokoro 混音、SHA-256 缓存零样本克隆),全面覆盖 短视频卡拉 OK .ass 字幕(\kf 逐词高亮)、内联停顿([pause:500ms])、原生 MP3 章节书签(ID3v2 CHAP/CTOC)、零漂移 .srt/.vtt 反向配音(atempo)、播客 BGM 自动闪避与 -16 LUFS 均衡 以及 视频直传抽音(.mp4/.mkv/.mov/.avi)+ 说话人区分(diarize) 的多引擎 STT,全部读写严格限制在当前会话工作区内。
核心亮点
- 许愿式(Wish-Driven)一句话出成品(
voice_tts+voice_preview+voice_prefs):- 6 大场景配方(
scene):直接传podcast(播客)、short-video(短视频/口播)、audiobook(有声书)、briefing(简报)、story(故事)或dubbing(配音),自动配齐人设、字幕粒度、响度均衡、Markdown 清理与智能文件名;本机缺ffmpeg时响度均衡自动优雅降级并返回warnings,不打断创作。 - 自然语言模糊选声与目标时长校准:
voice/persona直接识别"深夜"、"纪录片"、"播客女"、"粤语男声"、"东北话"等口语风格词;传入targetDurationSec(3–3600秒)自动按比例调速重合成并配合 FFmpegatempo精准压入目标时长。 - 内置技术发音词典 + 自包含 HTML5 交互播放器:默认开启
autoPronunciations(Nginx、SQL、K8s、PostgreSQL、kubectl、GraphQL、WebSocket等词边界安全替读,绝不误伤POST/BUILD);开启createPlayer: true或指定playerOutput即刻生成零依赖<文件名>.player.html(明暗主题、倍速、下载、章节跳转与点击字幕跟读)。 - 对话动口记住偏好(
voice_prefs)与按场景精选试听(voice_preview({ scene })):说一句「以后默认用纪录片声音、把 Cordis 读成科迪斯」即热更新持久化保存创作偏好(严格隔离密钥/代理/引擎);说「帮我挑几个播客/方言声音」一步生成 3–4 路精选对比试听页。
- 6 大场景配方(
- 短视频卡拉 OK
.ass字幕、原生 MP3 章节、零漂移配音与播客 BGM 闪避:subtitleGranularity("sentence"|"clause"|"word")+maxCharsPerCue切出紧凑竖屏短句,subtitleOutput: "clip.ass"直出1080x1920带\kf逐词高亮字幕供dsh-ffmpeg烧录;文稿内联[pause:500ms]/[停顿0.6s]停顿跨引擎通用且自动从字幕剥离;多标题 Markdown 或带title的segments[]自动写入 MP3 ID3v2CHAP/CTOC章节书签并支持chaptersOutput;subtitleInput叠加 FFmpegatempo实现零累积漂移配音,VBR 多段拼接自动剥离Xing/Info/VBRI保证进度条与durationSec精准。 - 视频文件直传转写(
voice_stt)与范围化离线自检(voice_health):voice_stt支持直接传入.mp4/.mkv/.mov/.avi视频容器自动-vn抽音(16kHz 单声道)送审 ASR,支持diarize: true说话人区分、autoCompress(>25MB 自动切片)与本地回环免密 Whisper;voice_list支持 51 个实测内置 + 300+ 在线 Edge 音色(聊天输出超 60 条自动折叠防刷屏)及 10 大persona;voice_health纯离线分tts/stt范围快速定位配置问题。 - 按需使用的 5 主题 Voice Studio 侧边栏工作台:当你需要浏览器麦克风 8 秒录音一键建克隆角色(落盘
voice_clones/+ 自动 ASR 提取台词 + 注册customVoices)、可视化编排多角色对话或在「工作区成品库」里边听边跟读字幕时,打开侧边栏即可实时切换 原生清透 / 米白纸感 / Claude 暖书卷 / 8-Bit 像素 / 晴空薄荷 5 套主题。
内置 6 个工具速览
| 工具 | 一句话定位 |
|---|---|
voice_tts |
许愿式一体化合成 MP3、同步字幕(.srt/.vtt/.ass)、MP3 章节、交互播放器(.player.html)与 BGM 自动闪避播客 |
voice_stt |
音视频转文字与字幕(支持 .mp4/.mkv/.mov/.avi 自动抽音、diarize 说话人区分与 autoCompress) |
voice_list |
发现 51 个实测内置与 300+ 在线 Edge 音色、10 套 persona 人设及自定义角色别名 |
voice_preview |
按 scene 场景/风格一键精选 3–4 个音色批量试听并生成 voice_previews/index.html 对比页 |
voice_health |
纯本地离线配置自检(支持 `scope: "tts" |
voice_prefs |
对话动口持久化记住默认音色/人设、语速音调、发音词典与自定义角色别名(严格非凭据白名单) |
安装
在 DSH 桌面版「插件」面板搜索安装 dsh-voice,或使用命令行:
dsh plugin --profile desktop add dsh-voice
网页版把 desktop 改为 web;安装后重启一次 DSH。宿主要求 >=0.2.2-rc.3。插件附带许愿式 voice-workflow 技能包,会在语音合成、按场景选声、目标时长控制、交互播放器生成、偏好记忆、短视频卡拉 OK 字幕、播客混音与音视频转写任务中自动指引助手 1–2 步直达成品。
最快 3 步用起来
- 直接在聊天框许愿,零密钥即刻合成:装好插件后无需任何密钥,直接对助手说「把
report.md做成带章节和交互播放器的有声书」或「帮我挑几个适合播客的声音听听」,助手自动调用voice_tts/voice_preview/voice_list一次交齐 MP3、字幕与.player.html。 - 动口记住习惯,按需配置克隆或转写密钥:随时对助手说「以后默认用纪录片声音、把
Nginx读成Engine X」(voice_prefs立即持久化);如需情绪演技、零样本克隆或音视频转写(voice_stt),打开 DSH「设置 → 插件 → 语音(dsh-voice)」 切换ttsEngine(siliconflow/openai/custom)或填写asrApiKey(本地回环127.0.0.1/localhost免密,保存即生效),遇到问题随时用voice_health离线自检。 - 打开
.player.html或按需使用侧边栏 Voice Studio:所有文稿、字幕、BGM、参考音频与成品均安全落在当前会话工作区(默认同名自动编号不误盖),可直接打开.player.html点击字幕/章节回放,或按需在侧边栏 Voice Studio 进行 8 秒麦克风录音一键克隆与成品库浏览。
平时怎么对助手说(可直接复制的许愿示例)
更多「语音」插件
dsh-plugin-tts
作者 1624318455
Edge TTS 语音朗读插件:朗读回复、自动朗读开关,免费无需 API key
dsh-voice-scribe
作者 pensivefei
语音输入插件:按 Alt 说话,文字直接进输入框;默认 Web Speech 零配置,可选兼容 OpenAI 的 ASR。
dsh-voice-ai-girlfriend
作者 beiyege-01
语音 AI 女友(Voice AI girlfriend for DeepSeek Harness):Whisper 语音输入 + Qwen3-TTS 声音克隆 + 句子级流式朗读 + 数字人动画窗。插话/排队双模式,说话即打断。
dsh-localtts
作者 abbccdd
DeepSeek Harness 的本地 IndexTTS 2.5 与 GPT-SoVITS 语音合成与播放。
