maoyuching/dsh-voice-chat

dsh-voice-chat

豆包式语音对话插件（DeepSeek Harness Web GUI）：点一下 🎤 说话，AI 回复自动用语音"汇报"给你。

📖 完整使用手册见 MANUAL.md（安装/操作/配置/FAQ/原理）。

功能

• 语音输入：点 🎤 开始聆听（"叮"提示音）→ 说话 → 停顿 2.5s 自动结束（"咚"）→ 转写并发送；
• 语音输出：AI 回复经 TTS 合成朗读，语速 +10%；设置里可开「转述朗读」（默认关闭）——开启后较长回复会先由 LLM 以"助手本人"口吻收敛转述（≤原文长度、不发散、去代码表格）再播报，转述用模型自动跟随当前对话在用的 LLM；
• ASR 引擎：支持 SiliconFlow（SenseVoice，国内免费）、Groq（Whisper）、小米 MiMo（chat/completions 协议）、自定义 OpenAI 兼容端点，在设置页面切换；
• TTS 引擎：支持 Edge TTS（微软免费）、小米 MiMo TTS（chat/completions 协议，内置多款中文音色）、自定义 TTS（OpenAI 兼容接口）；
• 引擎配置隔离：ASR/TTS 每个引擎各存一份 Base URL / 模型 / API Key / 音色，切换引擎不会互相覆盖（旧版单份配置自动迁移）；
• 单信道播报：新回复抢占旧播报、按快捷键/点按钮立即打断，同一时刻只有一种声音；
• 防重播：按会话记住已播报的回复，重进会话不重复朗读；
• 静音开关 🔊：正在播报时点它立刻静音，再点恢复自动朗读；
• 设置入口：DSH 自带设置弹窗（左下角齿轮 → 左侧「voice chat」类目），保存即生效无需重启；
• 快捷键：Ctrl+Shift+Space 切换麦克风（备用 Ctrl+M / Ctrl+Shift+M）。

环境要求

• DeepSeek Harness（dsh）：已安装并运行 Web GUI（dsh web）；
• Node.js ≥ 22（宿主与浏览器端均需要；edge-tts 客户端基于 ws，无需额外运行时）；
• 浏览器：Chrome / Edge（录音需要 MediaRecorder 支持）；
• ASR 密钥：语音转文字需要（SiliconFlow 注册即有免费额度；MiMo 按用量计费）。

安装

# 方式一（推荐，已发布到 npm）：
dsh plugin --profile web add dsh-voice-chat

# 装完重启 dsh web

注：插件自带内联 edge-tts 客户端（微软 Edge 免费朗读服务，无需任何 API key）；Edge TTS 无需额外密钥，MiMo TTS / 自定义 TTS 则需配置对应密钥。

配置

⚙️ 设置面板（推荐，优先级最高）

打开 DSH 设置弹窗（左下角齿轮），左侧点「voice chat」，右侧即可改：

🎤 语音识别设置

• ASR 引擎选择（SiliconFlow / Groq / MiMo / 自定义）
• Base URL / 模型名 / API Key
• 识别后是否自动发送
• 静音自动结束时长（秒）

🔊 朗读设置

• TTS 引擎选择（Edge TTS / MiMo TTS / 自定义 TTS）
• 各引擎对应的 Base URL / 模型名 / API Key / 音色
• 长回复转述朗读开关（默认关闭）

🔒 每个引擎的配置互相隔离：ASR 的 4 个引擎、TTS 的 3 个引擎各自保存自己的

Base URL / 模型 / 密钥 / 音色，切换引擎只是"换看哪一份"，不会互相覆盖；

保存时也只写当前编辑的那一份。旧版（≤0.3.x）的单份配置会在首次启动时自动

迁移到对应引擎（MiMo 音色 → MiMo TTS、自定义地址/密钥 → 自定义 TTS，无损）。

保存后立即生效，无需重启。

📄 配置文件（低优先级）

在 profile 的 ~/.dsh/profiles/web/cordis.patch.yml 里按 id 覆盖 config（全部可选项，不改则用默认值）：

- id: dsh-voice-chat
  name: 'dsh-voice-chat'
  config:
    asrEngine: siliconflow          # siliconflow | groq | mimo | custom
    asrApiKey: sk-xxxx              # ASR 密钥（旧式单槽，作用于当前引擎；或环境变量 DSH_VOICE_ASR_KEY）
    asrBaseUrl: https://api.siliconflow.cn/v1
    asrModel: FunAudioLLM/SenseVoiceSmall
    asr:                            # 也可按引擎分别配置（优先于上面的扁平键）
      custom: { baseUrl: http://127.0.0.1:8000/v1, model: whisper-v3, apiKey: sk-xxxx }
    llmModel: deepseek-v4-flash     # 转述模型（fallback，正常跟随当前对话）
    silenceMs: 2500
    rewrite: false                  # 转述朗读开关（默认关闭，设置页可切换）
    ttsEngine: edge                 # edge | mimo | custom
    voice: zh-CN-XiaoxiaoNeural     # Edge 音色（旧式，等价于 tts.edge.voice）
    ttsBaseUrl: https://api.openai.com/v1   # 旧式单槽，作用于当前引擎
    ttsModel: tts-1
    ttsApiKey: sk-xxxx
    tts:                            # 按引擎隔离的 TTS 配置（优先于上面的扁平键）
      mimo:   { baseUrl: https://api.xiaomimimo.com/v1, model: mimo-v2.5-tts, apiKey: sk-xxxx, voice: 冰糖 }
      custom: { baseUrl: https://api.openai.com/v1, model: tts-1, apiKey: sk-xxxx, voice: alloy }
    rate: '+10%'
    shortTextChars: 50

改完重启 dsh web 生效。优先级：设置面板 > cordis.patch.yml（按引擎 > 旧式扁平键）> 环境变量 > 默认值。

结构

• lib/index.js — 宿主半身：/stt（ASR，支持 OpenAI multipart 与 MiMo chat/completions 双协议）、/tts（Edge/MiMo/自定义 TTS）、/speak（转述+合成）、/settings（设置面板存取）等路由；
• lib/client.js — 浏览器半身：麦克风/静音按钮、静音检测、单信道播报、快捷键（Ctrl+Shift+Space）、录音自动转 WAV（供 MiMo 等 chat 协议 ASR）；并向 DSH 设置弹窗注入「voice chat」类目表单（ASR/TTS 各引擎独立的表单槽）；
• lib/edge-tts.js — 内联的 edge-tts 协议客户端（微软 Edge 免费朗读服务），唯一运行时依赖 ws；
• test/diagnose-tts.mjs — 朗读链路一键诊断（node test/diagnose-tts.mjs）：逐个引擎真实合成一次，并直连插件 /tts、/speak 处理函数，逐段报出问题在配置、密钥、接口还是宿主进程出网。这个脚本随包发布，npm 装完可直接在插件目录里跑；
• test/*.test.mjs + test/host-smoke.mjs — 设置层自测（npm test：引擎配置互不串味、旧配置迁移、表单回填、/settings 路由冒烟）。仅仓库内使用，不随包发布：其中 host-smoke 会临时挪动 settings.local.json，不适合在别人的安装目录里跑；
• cordis.patch.yml — 插入 dsh-voice-chat 行 + 配置示例；
• settings.local.json — 设置面板保存的覆盖配置（运行时生成，不进 git）；v0.4+ 结构为 asr. / tts. 分槽保存。