实时朗读 PRTSPro/dsh-read-aloud

dsh-read-aloud

DeepSeek Harness（DSH）对话实时朗读插件（hybrid：host 朗读引擎 + client 对话栏按钮）：监听当前会话的流式输出，把 DeepSeek 的正常回复逐句朗读出来——边生成边读，解放双眼。对话输入栏（composer）左侧有一个朗读开关小图标按钮，朗读中图标动态波动，点击即可开关朗读。

- ✅ 只读正文（text-delta），不读思维链（reasoning-delta）、不读工具调用、不读子代理会话
- ✅ 预合成管线：播放批 i 时后台合成批 i+1（双文件槽轮换），批间无停顿；edge-tts 常驻合成进程预热，首批/断流恢复 ~2s
- ✅ 双引擎（两段式）：edge-tts 神经语音（晓晓等，音质接近真人，首选）/ 本地 OneCore 兜底
- ✅ 10 层非文本清洗：URL、路径、哈希、代码块、表格线、emoji 等不会被逐字符机械朗读
- ✅ 符号静音：/、\、（）、-、——、"、_、&、# 等符号不读（括号内容保留，"（见上文）"读成"见上文"；some_var 读成 "some var"；state-of-the-art 读成 "state of the art"）
- ✅ 对话栏按钮（conversation.input.left）：待命 / 朗读中波动 / 已关闭三态，点击开关
- ✅ 只读当前打开的会话：对话栏按钮自动上报当前会话，多会话并存时不交错混读
- ✅ 朗读进度横条：对话栏上方显示一条"🔊 朗读中 {当前句}"，随朗读滚动，与输入区一体
- ✅ 状态持久化：静音/引擎选择存 ~/.dsh/super-injector/dsh-read-aloud-state.json，host 重启自动恢复
- ✅ 标准装配：host 半由 profile cordis.patch.yml 的 - insert 装载，client 半由 client-modules 自动装载——重启/热重载自动加载，无需注入器
- ✅ 关键词控制：别读了 / 继续朗读 / 切换音色引擎
- ✅ 失败静默降级（edge 断网自动回落本地），绝不干扰对话本身

快速开始

标准 profile 装配（无需注入器；本机已在 ~/.dsh/profiles/web/cordis.patch.yml 配置） host 半：- insert { id: dsh-read-aloud, name: '@dsh-external/dsh-read-aloud' } client 半：client-modules 按 package.json 的 dsh.client 声明自动装载

构建（host + client 双产物）
npm run build # host：scripts/build.sh（WSL bash + tsc，src/ → lib/index.js）
npm run build:client # client：build-client.mjs → lib/client.js（ModuleLoader bundle）
npm pack # 发布/分发用 → .tgz

改代码后生效：host 需重启 DSH（node .../@deepseek-ai/dsh/lib/bin.js web）； client 重建后浏览器刷新一次（pnpm run dev:web watcher 在跑则 HMR 联动）

依赖：Windows + dotnet 9 运行时（OneCore 宿主）+ 本机 ffplay + edge-tts（~/.local/bin/edge-tts.exe，edge 档）。

对话栏按钮

- 位置：输入框卡片左下工具排（conversation.input.left slot，plan 右侧），30px 图标按钮。
- 视觉：已开启=喇叭+声波弧（品牌色）；朗读中=喇叭呼吸 + 右滑三根音量条波动（CSS 动画）；已关闭=喇叭+斜线（灰、半透明）。
- 交互：点击即 toggle（静音↔恢复，静音时打断当前播放）；每 300ms 轮询 host RPC state 驱动动画；host 不可达时图标降透明（offline 兜底）。
- 无障碍：aria-label / aria-pressed，支持 prefers-reduced-motion。
- 通信：host 注册 /@dsh-external/dsh-read-aloud/api 前缀路由（state/toggle/stop/resume），client 经 fetch POST 调用。

控制词（短消息生效，防误触发）

| 说 | 效果 |
| 别读了 / 停止朗读 / 安静 / 静音 | 立即停止并清空队列（按钮同步显示已关闭） |
| 继续朗读 / 接着读 / 开始朗读 | 恢复（按钮同步显示已开启） |
| 用晓晓读 / 用云端 / 高质量 | 切 edge-tts 流式（晓晓） |
| 用本地读 / 用慧慧 / 即时档 | 切回本地 OneCore |

配置（src/index.ts 的 DEFAULTS）

| 项 | 默认 | 说明 |
| engine | edge | edge 神经语音 / onecore 本地即时 |
| voice | Huihui | OneCore 音色（慧慧/瑶瑶/康康） |
| rate | 1 | OneCore 语速 0~3 |
| edgeVoice | zh-CN-XiaoxiaoNeural | edge 音色（晓晓/晓伊/云希…） |
| edgeRate | +0% | edge 语速（+10% 形式） |
| edgeTts | 自动探测 | edge-tts 可执行（~/.local/bin/edge-tts.exe 优先）；纯合成不播放 |
| maxQueue | 24 | 队列上限；满时丢最旧句保新句（跟读跟上最新） |
| maxSentenceLen | 200 | 单句强制切分上限 |
| fallbackToLocal | true | edge 合成失败自动降级 OneCore |

注：engine/静音状态由 state.json 持久化（运行时切换会覆盖代码默认值）；其余配置项仍为代码常量。

工作原理

DeepSeek 流式输出 → DSH session/event 火线（assistant/chunk） → 主会话过滤（跳过 subagent）→ 仅取 text-delta → 句子切分 + 10 层非文本清洗（splitter） → FIFO 队列 → 预合成管线（speaker）合成器（后台，串行）: edge-tts --write-media / onecore-host 播放器（前台）: ffplay，播放批 i 时预合成批 i+1 → 扬声器

对话栏按钮通过 host webServer RPC 读取 Speaker.getState()（muted/speaking/engine），并与关键词控制走同一套 stop()/resume()/toggle() 状态机——按钮与「说一句话」完全等价。

关键点：DSH 的流式事件不直接以 assistant/chunk 广播，而是包在 session/event 火线的 {type, seq, time, data} 信封里；火线只推送实时 append，历史重放不上火线（天然满足「不读历史」）。

目录

src/index.ts 插件入口（订阅/控制词/装配 + webServer RPC + 状态持久化） src/splitter.ts 句子切分 + 非文本清洗管线 src/speaker.ts 预合成管线（合成器/播放器分离 + 双缓冲）+ 双引擎 + 降级链 + 打断 src/client/index.ts 对话栏按钮 UI（conversation.input.left slot，纯 JS body） scripts/build.sh WSL 构建 host（checkout 探测 + tsc） scripts/build-client.mjs 把 src/client/index.ts 抽成 lib/client.js（ModuleLoader bundle） var vendor/onecore-host/ dotnet 9 OneCore 合成宿主 docs/ idea 调研文档（含全部实测结论） AGENTS.md Agent 开发指引（架构事实 Hub）

构建（host + client 双产物）

npm run build # → scripts/build.sh 编译 host：src/ → lib/index.js
npm run build:client # → lib/client.js（ModuleLoader bundle）
npm pack # → .tgz

lib/client.js 由 src/client/index.ts 抽取生成：文件顶层保留 export const inject = ['slots','timer'] + const __mirror = ... 镜像（供构建预检锚点），build-client.mjs 提取 __mirror 内 body 包裹进 window.__ModuleLoader__.load({ id, factory })。改 UI 源后必须重跑 npm run build:client（否则 client bundle 过期）。

已知限制

- 首批/断流恢复需等网络合成（~2s，edge-tts 常驻进程预热后）；之后批间无缝（预合成管线，批粒度 6 句/180 字保证播放时长 > 合成时长）
- 跟读滞后：LLM 输出（~2 句/s）远快于播放（~0.36 句/s），队列满（24）时丢最旧句、保最新内容——长回复会「跳读」中间部分（旧版丢新句同样跳读且丢最新）
- 只读当前会话依赖 GUI：client 按钮上报当前会话；若 host 无 web GUI 页面加载（activeSessionId 为空）则回退为朗读全部会话
- 对话栏上方进度横条为近似：当前句按字符权重估算（无字幕时间轴），±1 句误差
- edge-tts 依赖微软在线服务，断网自动降级 onecore
- 只读实时流；表格退化为连续词朗读；超长句按 200 字强制切
- 关键词控制依赖用户消息文本，长消息内的控制词会被忽略（防误触发）
- 浏览器页面已打开时新增/升级 UI 需刷新一次才能看到按钮（client bundle 经 HMR 联动，但首装需重载页面）

License

BSD-3-Clause