语音输入 ManTou-kaya/dsh-voice-input

dsh-voice-input

为 DSH Web GUI 的输入框添加语音输入：点击麦克风说话，识别出的文字会自动追加到草稿末尾。

- 双引擎：默认使用浏览器内置的 Web Speech（Chrome / Edge）；当不可用或报网络错误时，自动回退到本机 Windows 离线识别（System.Speech，零密钥、可离线）
- 零构建安装：lib/client.js 已提交，克隆或 pnpm add github:... 之后直接可用，不需要安装 esbuild
- 浮层面板可切换语言与引擎，完成 / 撤销 / Esc，选择会持久化
- 不改动任何已发布的 @deepseek-ai/ 包，可单独卸载

安装（另一台电脑）

让 AI 助手安装：把仓库地址丢给那台机器上的 Agent，再加一句「按 AGENTS.md 安装」即可。AGENTS.md 是给模型阅读的逐步安装 / 验证 / 排错说明（含每条命令的预期输出）。

前提：那台机器已经装好 DSH 与 pnpm（dsh web 至少运行过一次，profile 才会存在）。

git clone https://github.com/ManTou-kaya/dsh-voice-input.git
cd dsh-voice-input
powershell -ExecutionPolicy Bypass -File .\install.ps1

脚本做两件事：

1. pnpm add -w github:ManTou-kaya/dsh-voice-input（安装到 %USERPROFILE%\.dsh\profiles\web）
2. 把 loader 行写入该 profile 的 cordis.patch.yml

然后刷新浏览器页面（F5），输入框工具行就会出现麦克风按钮。若没有出现，重启一次 dsh web。

手动安装（不用脚本）

cd $env:USERPROFILE\.dsh\profiles\web
pnpm add -w github:ManTou-kaya/dsh-voice-input

再编辑 cordis.patch.yml（该文件是 YAML 数组，热生效）：

- insert:
- id: dsh-voice-input
name: 'dsh-voice-input'

包故意不声明 dsh.bundle：这样 dsh plugin add 不会把包名同时写入 dsh.profile.bundles，避免同一个 id 被插入两次。dsh plugin --profile web add github:ManTou-kaya/dsh-voice-input 也能安装，只是会打印一条 “declares no dsh.bundle” 的提示，属正常现象。

卸载

1) 删掉 cordis.patch.yml 里的 - insert: 那一行（热生效）
2) 删依赖
cd $env:USERPROFILE\.dsh\profiles\web
pnpm remove -w dsh-voice-input

用法

输入框工具行（模型选择器左侧、发送按钮之前）的麦克风按钮：

| 操作 | 效果 |
| 点击麦克风 | 开始识别；再次点击 = 停止并保留文字 |
| 浮层 完成 | 同上 |
| 浮层 撤销 | 只删除本次语音追加的文字（录音期间手打的字不动） |
| Esc | 停止并保留 |
| 语言下拉 | zh-CN / en-US（本机离线引擎只支持已安装的语言） |
| 引擎下拉 | 自动 / 浏览器 / 本机离线 |

识别文字按段追加到草稿末尾；浮层实时显示临时结果。录音期间手动输入的内容不会被覆盖，但可能与识别结果交错。

设置持久化在 localStorage['dsh-voice-input'] = { engine, lang }。

引擎

| 引擎 | 位置 | 依赖 | 说明 |
| browser | 浏览器内 Web Speech API | Chrome / Edge；能访问厂商语音服务 | 准确率最好；Chrome 需要能访问 Google 服务 |
| local | 宿主机 Windows System.Speech | Windows + 已安装听写识别器（如 zh-CN） | 完全离线、无密钥；听写准确率一般 |

auto（默认）：有 Web Speech 就用它；API 不存在或报 network / language-not-supported 时自动切换到本机离线引擎，面板会提示已切换。

实现

lib/index.js 宿主端：/voice-input/transcribe、/voice-input/status、启动全局、常驻 PowerShell 子进程 lib/recognize.ps1 System.Speech 常驻 worker（stdin/stdout 行式 JSON、UTF-8、空闲回收） lib/client.js 浏览器端构建产物（__ModuleLoader__ 工厂信封，外部依赖只有 react / react-jsx-runtime / dsh-client-ui-primitives） src/client/ 源码：slot 注册、麦克风按钮、浮层面板、引擎编排、Web Speech、本机录音+WAV、草稿追加/撤销 build.mjs esbuild 打包成宿主可服务的工厂信封

数据流：

[麦克风按钮 conversation.input.right] ─┐ [浮层面板 conversation.input.overlay] ─┤ 模块级 store ├─ browser: SpeechRecognition onresult → 追加草稿 └─ local: getUserMedia → AudioWorklet(16k) → VAD 分段 → WAV → POST /voice-input/transcribe → 宿主 powershell.exe (System.Speech) → 文本 → inputActions.setDraft(实时草稿 + 新段)

- 宿主路由只接受 loopback 对端 + 每进程随机 token（x-dsh-voice-token），body ≤ 4 MiB，20s 超时，临时文件用后即删。
- 草稿写入只能走宿主公开的 InputActions.setDraft()（整体替换），所以采用「追加到实时草稿」而不是「基准草稿 + 累计」，这样录音期间手打的字不会被抹掉。
- System.Speech 的同步 Recognize() 在第一句之后会清空音频输入（多句音频会丢后半段），因此 worker 用 RecognizeAsync(Multiple) + SpeechRecognized / RecognizeCompleted 事件收集全部句子。

开发 powershell
pnpm install # 装 esbuild
node build.mjs # 重写 lib/client.js

只改 src/client/* 时，改完跑 node build.mjs 即可；client-hmr 会轮询该文件并在浏览器里热重载插件行，不用重启 dsh web。改 lib/index.js / lib/recognize.ps1 需要重启 dsh web。

调试本机识别 worker： powershell $env:DSH_VOICE_DEBUG='1' # worker 把请求/结果写到 stderr

限制

- 麦克风需要安全上下文：http://127.0.0.1 / localhost 或 HTTPS。用局域网 IP 打开时浏览器会禁用麦克风，面板会明确提示。
- 本机离线引擎仅 Windows，且只能用系统已安装的识别器语言；听写准确率一般（实测示例句会有错字），面板上有引擎徽标可手动切回浏览器引擎。
- setDraft() 是整体替换，识别结果与录音期间的手动输入可能交错。

License

MIT