WizisCool/dsh-ears

dsh-ears

一款支持润色整理的 DeepSeek Harness 语音输入插件。

简体中文 ·
English

= 0.1.2-rc.1">

https://github.com/user-attachments/assets/1363768e-a393-44bd-a008-1ce2055cac41

dsh-ears 为 DeepSeek Harness 提供语音输入与 LLM 润色整理能力。支持浏览器 Web Speech、本地 Whisper 以及主流语音识别（ASR）API 服务。

安装

前置依赖：DeepSeek Harness >=0.1.2-rc.1，以及 Node.js ^22.19.0 || >=24.0.0。

通过 npm 安装

dsh plugin --profile web add dsh-ears

仍在使用 dsh 0.1.1？ dsh 0.1.2 包含破坏性更新，dsh-ears 0.3.0 不再兼容 dsh 0.1.1。请安装 0.3.0 以前的插件版本：

dsh plugin --profile web add "dsh-ears@

从源码安装

git clone https://github.com/WizisCool/dsh-ears.git
cd dsh-ears
pnpm use:platform
pnpm install
pnpm build
dsh plugin --profile web add "$PWD"
Windows 的 cmd 请使用 "%CD%"；PowerShell 直接使用 $PWD

pnpm use:platform 将 node_modules 切换到当前平台的 native 依赖树（Windows / Linux 各自独立），首次克隆和跨平台切换后都需要运行。

安装完成后刷新 Web UI，输入框右侧会显示麦克风图标。

更新

dsh plugin --profile web add dsh-ears

add 会从 npm 拉取最新版本，任何已装版本都可以直接运行。更新后需要重启 dsh web 加载新的服务端代码，再刷新 Web UI；也可以在设置页的"关于"面板检查新版本。

卸载

dsh plugin --profile web remove dsh-ears

卸载后刷新 Web UI。

使用

1. 点击麦克风图标，或按下 Ctrl+Shift+Space（可在设置页更改）
2. 开始说话
3. 再次按下快捷键或点击麦克风，停止录音并开始转写
4. 开启润色后，原始转写会先写入草稿，润色完成后再更新，期间的手动编辑会被保留
5. 检查内容后手动发送

转写结果始终写入可编辑草稿，不会自动发送。如果所选后端尚未就绪，麦克风图标会变灰，悬停即可查看原因。

识别后端

| 后端 | 工作方式 | 需要什么 |
| --- | --- | --- |
| Web Speech | 浏览器实时识别 | 默认后端；Chromium 内核浏览器 |
| 本地 Whisper | 录音结束后本地转写 | 在设置页下载 GGML 模型 |
| Groq | Groq Whisper API | API key |
| Deepgram | 预录音频或实时音频流 | API key、模型名（如 nova-3） |
| 阿里云百炼 | DashScope 同步转写 | API key、模型名；单次最长 300 秒 |
| 腾讯云 | 录音文件识别或实时语音识别 | AppID、SecretID、SecretKey、engine_type |
| 小米 MiMo | 语音识别 API，支持标准 API 或 Token Plan | API key、模型名（如 mimo-v2.5-asr）；Token Plan 需选择区域集群 |
| 硅基流动 (CN) | 语音转写 API | API key、模型名（如 FunAudioLLM/SenseVoiceSmall） |
| 火山引擎 | 录音文件识别（大模型）或单向流式语音识别 | API key（新版控制台 X-Api-Key）、资源 ID |
| 自定义 OpenAI 兼容 | 发送到指定 /audio/transcriptions 端点 | 端点地址、API key、模型名 |

本地 Whisper：基于 @fugood/whisper.node 本地运行 whisper.cpp，无需 Python、FFmpeg 或外部依赖。支持在设置页下载管理 GGML 模型（tiny（默认）至 turbo），并可选 default（自动）、vulkan 或 cuda 加速。

火山引擎：仅支持新版控制台的 API Key（X-Api-Key）鉴权（不支持旧版 AppID + Access Token），可在控制台 API Key 管理页面获取。

润色

默认开启。提供方和模型都留空时使用 dsh 的默认 Agent 模型（包括默认推理设置）；也可以从 dsh 已配置的模型中选择。LLM 凭据复用 dsh 现有配置。支持设置推理强度。

默认提示词会删除口头禅、修正 ASR 错字、处理自我纠正和口头列举。可在设置页自定义提示词或查看默认内容。润色失败或取消时保留原始转写。

设置

安装后在 Web UI 的设置页出现 dsh-ears 面板，分为四个标签页：

| 标签页 | 可配置项 |
| --- | --- |
| 常规 | 设置页显示名称、语音快捷键开关与组合键、提示音开关、最长录音时间（1–600 秒，默认 120 秒） |
| 识别 | 后端选择、语言、本地 Whisper 模型和加速方式、云服务提供方及各提供方凭据 |
| 润色 | 开关、LLM 提供方和模型、推理强度、自定义提示词（最长 4000 字） |
| 关于 | 版本号、许可证、dsh 兼容范围、检查更新 |

已知限制

- Web Speech 后端依赖浏览器实现，音频可能被发送到浏览器厂商的服务端处理，不是完全的本地/离线方案。
- 百炼单次录音最长 300 秒。
- Deepgram Flux 系列模型需要 Listen V2 协议，当前不支持。
- 本地 Whisper 单次音频限制 24 MB，转写超时 120 秒。
- 加速方式（default / vulkan / cuda）在首次 native 加载后锁定，切换需重启 dsh web。

本地开发

pnpm use:platform
pnpm install
dsh plugin --profile web add "$PWD"
Windows 的 cmd 请使用 "%CD%"；PowerShell 直接使用 $PWD
pnpm check          # 类型检查
pnpm test           # 运行测试
pnpm build          # 构建
pnpm dev:config     # 构建并生成 HMR 配置
pnpm dev:web        # 启动 dsh web

开发时在另一个终端运行 pnpm dev:watch 实时重编译。

修改前端 UI 代码只需刷新浏览器；修改服务端、设置注册、Remote 或 schema 代码需重启 dsh web 再刷新。

文档

- CHANGELOG
- CONTRIBUTING
- SECURITY
- LICENSE

License

MIT

友链

- LINUX DO — 新的理想型社区
星标历史