小米语音输入 Murphy2000-cyk/dsh-asr-xiaomi

dsh-asr-xiaomi

给 DeepSeek Harness 加语音输入：点一下麦克风，说话，文字直接进输入框。
语音识别走小米 MiMo 云端接口，本机零模型、零 GPU、零额外内存占用。

一个 DSH 的语音识别 Provider 插件。纯 Host 侧 HTTP 客户端，不下载模型权重、不启动子进程、不占显存。

目录

- 为什么做这个
- 为什么选小米 MiMo
- 特性
- 成本
- 快速开始
- 安装它到底改了哪三个地方
- 配置项
- 工作原理
- 计费细节
- 兼容性
- 隐私
- 仓库结构
- 文档
- 已知限制
- 卸载
- 开发与自测
- License

为什么做这个

DSH 目前没有开箱可用的语音输入。装好之后，输入框旁边连一个麦克风按钮都没有，想说话只能自己打字。

底层其实已经有一整套语音组件（浏览器录音 UI、带鉴权的接口层、识别器注册表），但它们都是实验性的，默认不启用；官方那条路线还要额外下载本地模型权重，占磁盘也占内存。

这个插件补的就是最后那一层，也就是一个具体的识别器实现：注册一个云端 Provider，把音频送到小米 MiMo，拿回文字。装完重启就能用，不下载任何模型。

该插件的特点是：识别在云端完成，本机不跑推理，因此不占 CPU、内存和显存。反过来说，这也意味着它依赖网络，断网就用不了。

为什么选小米 MiMo

选它的理由主要就两条：性价比高，识别效果够好。价格上，用默认的 mimo-v2.6-flash 转写，一小时音频约 ¥0.044，按每天用一小时算，一个月也就一块多钱。效果上，它能自动加标点、根据上下文纠正同音错字，并保留 AGENTS.md、Remotion、DeepSeek 这类术语的英文原形，日常口述是够用的。

特性

| 特性 | 说明 |
| 零本地模型 | 不装 SenseVoice、不下载权重，整个包约 110 KB |
| 零上下文成本 | 插件不进系统提示，模型上下文里是 0 个 token |
| 自动标点 | 官方声明 ASR 自动加标点，flash 由提示词保证 |
| 术语保真 | 提示词要求逐字转写、保留英文术语原形 |
| 纠同音错字 | flash 模型能根据上下文自动纠正 |
| 两种模型可切 | 便宜的全模态 flash，或专用转写 ASR，一键切换 |
| Ctrl+Alt 快捷键 | 轻按开始 / 再轻按停止，不用去点按钮 |
| 一键开关与卸载 | 带标记的配置段，卸载不留残渣 |
| 不含任何密钥 | 安装时弹窗输入，只落在你自己的机器上 |

成本

| 模型 | 计费口径 | 单价 | 一小时音频 | 特点 |
| mimo-v2.6-flash（默认） | 按 token | 6.25 tokens/秒 | 约 ¥0.044 | 便宜，能纠错、保术语 |
| mimo-v2.5-asr | 按音频时长 | ¥0.5/小时 | ¥0.5 | 抗噪、方言、纯转写保真度更好 |

flash 比 asr 便宜约 11 倍。日常用默认的就行。

换算：1 小时音频 ≈ 22,500 输入 token，100 万 token ≈ 44.4 小时音频。
注意这是按量计费，从账户余额扣，与「Token Plan」套餐额度不互通。

快速开始

前置条件

| 项 | 要求 |
| 系统 | Windows 10 / 11（安装脚本用了 WinForms 弹窗，非 Windows 装不了） |
| DSH | 已安装，并且至少启动过一次（否则还没有 cordis.patch.yml） |
| 账号 | 一个小米 MiMo API Key，账户余额不能为 0 |
| Node.js | 可选。只有 Ctrl+Alt 快捷键那一步需要 |

路线一：自己装（推荐）

1. 下载本仓库，解压到任意目录
2. 双击 安装小米语音输入.bat，粘贴 API Key，点「安装」
3. 自己重启 DSH（关掉所有页面 → 重新打开启动器）。脚本不会替你重启
4. 输入框右边出现麦克风图标 = 成功
5. 可选：双击 设置快捷键.bat 启用 Ctrl+Alt

详细图文步骤见 安装说明.txt。

路线二：让 AI Agent 先检查

把仓库路径丢给你的 AI 助手，让它读 Agent预检说明.md。里面有：

- 一段可直接粘贴执行的 PowerShell 预检脚本
- PASS / FAIL / WARN 三级判定规则
- 每个失败项对应的补救办法
- 检查通过后才进入安装的标准话术

Agent 只负责「检查 + 指路」，密钥由你自己在弹窗里输入，不经过 AI 的上下文。

路线三：命令行（无人值守）

powershell -NoProfile -ExecutionPolicy Bypass -File .\install.ps1 -Key "sk-..." -Model mimo-v2.6-flash

⚠️ 传了 -Key 就跳过弹窗。不带 -Key 在无界面会话里跑，会弹出一个没人点的模态窗口，进程挂到超时。

安装它到底改了哪三个地方

开源项目应该把改动讲清楚。安装脚本只做三件事，全部可逆：

| # | 位置 | 做什么 |
| 1 | <DSH_HOME>\profiles\<profile>\node_modules\dsh-asr-xiaomi\ | 复制插件本体（2 个文件） |
| 2 | <DSH_HOME>\asr-xiaomi.key | 写入密钥，并把 ACL 收紧为仅当前用户可读 |
| 3 | <DSH_HOME>\profiles\<profile>\cordis.patch.yml | 追加一个带标记的配置段，改前自动备份 |
配置段长这样，用 >>> dsh-asr-xiaomi BEGIN / <<< END 包起来，重装时整段覆盖、卸载时整段删除：

- insert:
- id: speech-to-text
name: "@deepseek-ai/dsh-experimental-speech-to-text"
config:
defaultProvider: xiaomi-mimo-asr
language: zh
- id: api-speech-to-text
name: "@deepseek-ai/dsh-experimental-api-speech-to-text"
- id: ui-voice-input
name: "@deepseek-ai/dsh-experimental-client-ui-voice-input"
- id: asr-xiaomi
name: "dsh-asr-xiaomi"
config:
providerId: xiaomi-mimo-asr
model: mimo-v2.6-flash
language: zh

前三行是 DSH 自带的语音子系统，本插件只提供最后那行 asr-xiaomi。

不要同时启用官方的 dsh-experimental-voice-input-bundle：它插入的是同样这三条，重复注册会导致语音服务报 duplicate provider 错误。

配置项

插件在 cordis.patch.yml 里的 config 字段：

| 键 | 默认值 | 说明 |
| providerId | xiaomi-mimo-asr | 注册到语音服务的识别器 id，要跟 defaultProvider 对上 |
| displayName | 小米 MiMo 语音识别（云端） | 界面上显示的名字 |
| baseUrl | https://api.xiaomimimo.com/v1 | 接口根地址，不要带 /chat/completions |
| model | mimo-v2.6-flash | 填 -asr 结尾则走专用转写模型 |
| language | zh | auto / zh / en，仅 asr 模型用到 |
| apiKey | 空 | 直接写密钥。不推荐，优先用密钥文件 |
| apiKeyFile | 空 | 密钥文件路径；留空则用 <DSH_HOME>\asr-xiaomi.key |
| timeoutMs | 90000 | 单次请求超时（毫秒） |
| maxOutputTokens | 4096 | 输出上限，仅全模态模型使用 |

密钥读取优先级：

config.apiKey → 环境变量 MIMO_API_KEY → config.apiKeyFile → <DSH_HOME>/asr-xiaomi.key

工作原理

浏览器麦克风（录音） │ ▼ client-ui-voice-input 输入框旁的麦克风按钮，录音 UI │ ▼ api-speech-to-text 带鉴权的接口层，DSH 侧单次上限约 4 MB / 120 秒 │ ▼ speech-to-text 服务 Provider 注册表，按 defaultProvider 派发 │ ▼ ★ 本插件 asr-xiaomi 唯一的代码，Host 侧 HTTP 客户端 │ ▼ https://api.xiaomimimo.com/v1/chat/completions │ ▼ 文字 → 输入框（不自动发送）

插件实现的是 DSH 的 Provider 契约，只有两个成员：

{
info: { id, name, location: 'cloud', languages: ['auto','zh','en'] },
async transcribe({ audio, language }, signal) → { text, audioSeconds, inferenceSeconds }
}

不声明 preparation，UI 就把它当成「立即可用」，不会弹安装引导。

两种模型的请求差异

| | mimo-v2.5-asr | mimo-v2.6-flash |
| 消息体 | 只发音频 | 音频 + 文字指令 |
| 语言控制 | asr_options.language | 由提示词控制 |
| 额外参数 | — | max_completion_tokens、thinking: {type:'disabled'} |
| 鉴权头 | api-key: <key> | 同左（也支持 Authorization: Bearer） |

flash 分支的提示词要求：逐字转写、自动加标点、保留术语原形（DeepSeek / DSH / AGENTS.md / Remotion 等）、纠正同音错字。

计费细节

两种模型的计费口径完全不同，这一点很容易踩坑：

| | mimo-v2.5-asr | mimo-v2.6-flash |
| 计费依据 | 音频时长，精确到秒 | token |
| 单价 | ¥0.5 / 小时 | 输入 ¥1 / 百万 token，输出 ¥2 / 百万 token |
| 一小时音频 | ¥0.5 | ¥0.0225（输入）+ ≈¥0.0216（输出）≈ ¥0.044 |

flash 的 token 换算：

输入 token ≈ 音频秒数 × 6.25 1 小时 = 3600 × 6.25 = 22,500 token 100 万 token ÷ 22,500 ≈ 44.4 小时音频

金额随时可能调整，以小米控制台账单为准。

兼容性

| 项 | 状态 |
| DSH 0.2.0-rc.2 | ✅ 实测可用 |
| 其他 DSH 版本 | ⚠️ 未验证。依赖 dsh-experimental-speech-to-text / -api-speech-to-text / -client-ui-voice-input 三个包，且插件本身依赖 @deepseek-ai/schemastery |
| Windows 10 / 11 | ✅ |
| macOS / Linux | ❌ 不支持（安装脚本是 PowerShell + WinForms） |

DSH 升级后会发生什么：

| 位置 | 是否保留 |
| cordis.patch.yml 配置段 | ✅ 保留 |
| ~/.dsh/asr-xiaomi.key | ✅ 保留 |
| node_modules/dsh-asr-xiaomi/ | ❌ 依赖树可能被重装，会丢 |
| Ctrl+Alt 快捷键（改在 client.js 里） | ❌ 会被覆盖 |

升级后的恢复动作：重跑 安装小米语音输入.bat（Key 会自动预填）→ 重跑 设置快捷键.bat → 重启。

隐私

- 本仓库不含任何 API Key，也从来不会有。Key 由你在安装时输入，只写到你自己机器的 %USERPROFILE%\.dsh\asr-xiaomi.key，该文件 ACL 已限制为仅当前用户可读
- 音频不进会话：录音是临时数据，不会成为会话事件或附件
- 不经过第三方：音频只发往你自己填的小米接口地址，没有中转服务器
- 不进模型上下文：插件和录音对提示词 token 的贡献是 0

仓库结构

dsh-asr-xiaomi/
├── README.md 本文件 ├── 安装说明.txt 三步装完，给人看 ├── Agent预检说明.md 给 AI Agent 的安装前检查规程 ├── 使用说明.md 完整手册：原理、计费、配置、排错 ├── 安装小米语音输入.bat 安装 ├── 卸载小米语音输入.bat 卸载 ├── 设置快捷键.bat Ctrl+Alt 快捷键（可选） ├── 语音输入开关.bat 开关 / 换模型 ├── install.ps1 上面四个 bat 实际调用的脚本 ├── uninstall.ps1 ├── toggle.ps1 ├── hotkey.ps1 └── plugin/ ├── package.json └── lib/ └── index.js 插件全部逻辑，约 210 行

文档

| 文件 | 读者 | 内容 |
| 安装说明.txt | 人 | 准备事项、五步安装、六类故障排查 |
| 使用说明.md | 人 | 完整手册，20 节，含原理、计费、配置项、兼容性、一页速查 |
| Agent预检说明.md | AI Agent | 预检脚本、判定规则、补救办法、报告模板 |

已知限制

| 限制 | 说明 |
| 非流式 | DSH 的语音服务只支持「录完再转写」，没有流式识别。说完点停止才出文字 |
| 录音时失焦会取消 | 现有语音前端的行为，不是本插件的 bug |
| 快捷键靠改 client.js | 往 DSH 的 client-ui-voice-input 包里追加一段 IIFE 实现，属于 hack。DSH 升级会覆盖 |
| 快捷键依赖页面选择器 | 靠 [aria-label="开始录音"] 找按钮，DSH 改文案就失效 |
| 只有 Windows | 安装脚本是 PowerShell + WinForms |
| 依赖 DSH 实验性包 | 三个 dsh-experimental- 包名或结构一变，插件就要跟着改 |
| 账户余额为 0 时静默失败 | 表现和 Key 填错一样，都是转写失败 |

卸载

双击 卸载小米语音输入.bat。四步全自动：

1. 从 cordis.patch.yml 删掉标记段
2. 撤销 Ctrl+Alt 快捷键（并验证标记已消失）
3. 删除插件目录
4. 询问是否一并删除密钥文件

想临时停用而不卸载：双击 语音输入开关.bat，选关闭。配置段还在，加个 disabled: true 而已，再开一次就恢复。

开发与自测

插件本身没有构建步骤，改完 plugin/lib/index.js 直接重装即可生效（重启后）。

两条本地验证路径：

1. 语法与契约

node --check plugin\lib\index.js

transcribe 的入参是 { audio: Uint8Array, language }，返回 { text, audioSeconds, inferenceSeconds }。想脱离 DSH 单独测，可以起个假服务把 baseUrl 指过去。

2. 端到端

装好后用快捷键录一句中英混说的话，检查三件事：标点是否正确、AGENTS.md 这类术语有没有被改写、文字是否进了输入框但没有自动发送。

欢迎提 Issue 和 PR。改代码的话请顺手更新 使用说明.md 里对应的章节。

License

MIT

English Summary

dsh-asr-xiaomi is a speech-to-text provider plugin for DeepSeek Harness (DSH) that routes microphone audio to Xiaomi's MiMo cloud API.

- No local model — no weight downloads, no GPU, no extra RAM. Total package ~110 KB.
- Zero context cost — the plugin contributes 0 prompt tokens.
- Two models: mimo-v2.6-flash (~¥0.044/hr, token-billed, error-correcting) or mimo-v2.5-asr (¥0.5/hr, duration-billed, noise-robust).
- 实现 DSH 的服务商契约：{ info, transcribe(input, signal) }。
- 仅支持 Windows —— 安装器由 PowerShell + WinForms 写成。
- 已针对 DSH 0.2.0-rc.2 测试。
- 本仓库不含任何 API 密钥。 用户在安装时自行提供小米 MiMo 密钥；密钥保存在本地 %USERPROFILE%\.dsh\asr-xiaomi.key，并设置了受限 ACL。
- 音频不会成为会话事件，也不会经过任何第三方中转。

完整手册（中文）见 使用说明.md。