语音输入（国内版） Schumchanvi/dsh-voice-input-cn

dsh-voice-input-cn

DeepSeek Harness Web 语音输入插件（国内可用版）

在聊天输入框添加麦克风按钮，点击说话即可将语音转为文字填入草稿。基于 阿里云 DashScope ASR（国内直连可用），替代原版依赖的 Google Web Speech API（国内无法访问）。

本项目 fork 自 NewDaNew/dsh-voice-input，原版使用 Web Speech API（Google 云端），在国内直连不可用；本版重写了识别引擎为阿里云 DashScope ASR + 本地 bridge。

🛠 开发工具：本插件在 DeepSeek Harness (DSH) 中开发与调试（代码重构、排障、测试均由 DSH 辅助完成）。DSH 是一个开源 AI 助手框架：https://github.com/deepseek-ai/dsh

✨ 功能

- 🎤 输入框麦克风按钮，点击开始说话，静音 1.5 秒自动停止
- 📝 识别文字实时填入输入框（光标位置插入，不覆盖已有草稿）
- 🔀 中文 / English 语言切换
- 📨 可选「识别后自动发送」
- 🔌 本地 bridge（Python）中转，国内直连阿里云，低延迟

🧱 架构

浏览器插件 (lib/client.js)
├─ AudioWorklet 采集麦克风 16kHz PCM ├─ 流式发送 → ws://127.0.0.1:8765 └─ 本地 bridge (bridge/voice-bridge.py) └─ 阿里云 DashScope paraformer-realtime-v2 识别

为什么需要本地 bridge？ DashScope 的 ASR WebSocket 握手依赖官方 SDK 的内部鉴权逻辑，浏览器裸 WebSocket 直连会 401。bridge 用官方 Python SDK 处理鉴权，浏览器只负责录音和显示。

📦 安装

1. 安装插件

dsh plugin --profile web add github:Schumchanvi/dsh-voice-input-cn

或用 dshmarket 安装（如果已上架）。

2. 安装 bridge 依赖（Python 3.10+）

pip install dashscope websockets

3. 启动 bridge

前台运行
python bridge/voice-bridge.py

或 Windows 开机自启（双击注册到启动文件夹） wscript bridge/start-voice-bridge.vbs

bridge 默认监听 127.0.0.1:8765（仅本机，不暴露公网）。

4. 配置 API Key

1. 刷新 DSH 页面
2. 点击输入框旁的麦克风按钮 → 右侧小箭头（⌄）打开设置
3. 填入 DashScope API Key（阿里云百炼获取）
4. 选择语言，保存

🎤 使用

1. 点击麦克风按钮开始
2. 正常说话（文字会实时填入输入框）
3. 停顿 1.5 秒或再次点击 → 自动结束
4. 若开启「自动发送」则直接提交，否则可继续编辑后手动发送

🔧 配置项（设置菜单）

| 项 | 说明 |
| DashScope API Key | 阿里云百炼 API Key（存 localStorage）|
| 识别后自动发送 | 识别完成自动提交草稿 |
| 识别语言 | 自动 / 中文 / English |

📝 与原版的区别

| | 原版 (dsh-voice-input) | 本版 (dsh-voice-input-cn) |
| 识别引擎 | Web Speech API（Google 云端）| 阿里云 DashScope ASR |
| 国内可用 | ❌ 不可用 | ✅ 直连可用 |
| 架构 | 纯浏览器 | 浏览器 + 本地 Python bridge |
| 识别体验 | 一次性返回 | 流式实时填入 |
| 静音停止 | 无 | ✅ 1.5s 自动停止 |
| 光标插入 | 追加末尾 | ✅ 光标位置插入 |

⚠️ 安全说明

- API Key 存于浏览器 localStorage，本插件不上传 key 到任何第三方；但同一浏览器内的其他脚本可读取，请勿在共享电脑使用
- bridge 仅监听 127.0.0.1，不对外网开放
- 音频仅发送至阿里云 DashScope 识别，不留存

🐛 常见问题

Q: 显示「连接本地语音服务失败」 A: bridge 没启动。运行 python bridge/voice-bridge.py，确认端口 8765 已监听。

Q: 识别不出内容 / 「呃呃啊啊」 A: 检查麦克风权限（浏览器 + Windows）；确认 Key 有效（阿里云百炼控制台可测试）；确认音频不是静音。

Q: 显示「无可用麦克风」 A: 这是浏览器 getUserMedia 的 NotFoundError。检查 Windows 麦克风隐私设置、默认输入设备、驱动状态（Intel 智音端点幽灵化时需重装驱动）。

Q: 延迟高 A: 识别为流式，理论上说完即出；若延迟明显，检查网络到阿里云的延迟，或换用更近的区域节点。

Q: 报 NO_VALID_AUDIO_ERROR A: bridge 只接受裸 PCM（16kHz 单声道 int16）。如果你用自建脚本/客户端直连，别拼 WAV 头；本插件内置的 AudioWorklet 已输出纯 PCM，正常情况下不会出现此错误。

Q: 有回音/自己说话被识别 A: 麦克风流不允许连回 AudioContext.destination（回放）。本插件已断开该连接；若你魔改过，检查 worklet 是否接了 destination。

Q: 文字被填了两次 / 重复插入 A: 这是「停止提交」与「空闲提交」双触发的经典 bug。本插件统一由 onState("idle") 提交一次，手动点停不会再提交；若你魔改过，检查 stop 路径是否也提交了。

Q: 浏览器直连 DashScope 报 401 A：这是预期行为。DashScope ASR 的 WebSocket 鉴权在官方 SDK 内部完成，裸 WebSocket 无法携带签名。必须走本地 bridge（本仓库 bridge/voice-bridge.py）。

Q：bridge 端口被占用（Windows 报「address already in use」） A：说明已有 bridge 实例在跑（或别的程序占了 8765）。关掉旧的，或用 set VOICE_BRIDGE_PORT=xxxx 换端口（同时需在客户端改 BRIDGE_URL）。

📜 License

MIT（保留原版 fork 版权声明；阿里云 DashScope 服务需遵守其使用条款）