语音输入 baisama-cloud/dsh-stt-input

中文 · English

dsh-stt-input

DeepSeek Harness (DSH) Web GUI 的语音输入插件。

点击输入框旁的 🎤 麦克风按钮开始说话，再点一次停止，识别文字自动填入输入框。
识别引擎与模型可在 设置 → 语音输入 中选择。

功能

- 两种识别引擎
- 浏览器本地识别 — 使用浏览器自带的 Web Speech API（SpeechRecognition， Chrome/Edge）。零配置、无需 API Key，边说边把中间结果写进输入框。
- API 识别 — 用 MediaRecorder 录音，通过任意 OpenAI 兼容 /v1/audio/transcriptions 接口（OpenAI、Groq、自定义）转写。
- 模型可选 — whisper-1（OpenAI）、whisper-large-v3、 whisper-large-v3-turbo、distil-whisper-large-v3-en（Groq），或自定义模型名。
- 可配置 — 服务预设（OpenAI / Groq / 自定义）、API Base URL、API Key、识别语言、写入方式（追加到输入框 / 替换输入框内容）。
- 实时状态条 — 输入框下方显示录音计时、识别中状态与错误信息。
- 隐私 — API Key 仅保存在页面内存中，不落盘、不打日志；非密钥配置通过 localStorage 在刷新后保留。

安装

打包 tarball 后安装到你的 DSH web profile（与其他 dsh- 插件一致）：

pnpm pack
把 dsh-stt-input-.tgz 复制到 web profile 并添加依赖，例如在 ~/.dsh/profiles/web 下：pnpm add ../path/to/dsh-stt-input-0.1.0.tgz 然后重启 dsh web。

插件注册了三个界面位：

- 输入框工具行的麦克风按钮（conversation.input.left）
- 输入框下方的状态条（conversation.composer.dock）
- 设置页（settings.section → 语音输入）

使用

1. 打开 设置 → 语音输入 选择引擎。
- 浏览器本地识别：无需其他配置（Chrome/Edge）。
- API 识别：选择预设（OpenAI 或 Groq）、模型，并粘贴 API Key。
Groq 的 whisper-large-v3 目前免费。
2. 点击输入框旁的 🎤 开始录音，说话，再点一次停止。识别文字进入输入框，回车发送。

浏览器本地引擎依赖 Chrome/Edge 的 Web Speech API；Firefox 请使用 API 引擎。

工作原理

┌──────────┐ 点击🎤 ┌───────────────┐ │ 客户端 │ ─────────────▶ │ MediaRecorder │ (api 引擎)
│ (浏览器) │ │ SpeechRecog. │ (browser 引擎)
└──────────┘ └──────┬────────┘
▲ ▼
│ setDraft(text) base64 音频 (JSON) │ POST /stt-input/transcribe │ │ ┌─────┴──────┐ ┌───────▼────────┐ │ 输入框 │ ◀──────────│ Host (Node) │
└────────────┘ {ok,text} │ fetch → /v1/ │
│ audio/transcr.│
└────────────────┘

客户端（lib/client.js）录音后把 base64 JSON POST 到宿主路由 /stt-input/transcribe；宿主（lib/index.js）解码音频并以 multipart/form-data 上传到 ${baseUrl}/v1/audio/transcriptions （使用 Node ≥ 18 的全局 fetch / FormData / Blob）。

License

MIT