difimim/dsh-voice-input

DSH 语音输入 · DeepSeek Harness 语音输入插件

在 DeepSeek Harness（DSH）输入框底部加入一个麦克风按钮：点击后用浏览器内置的 Web Speech API 把语音实时转成文字并填入输入框。零成本、零服务端部署，同时预留了 Host 端 Vosk 离线识别接口，方便以后切换为完全离线、隐私更好的方案。

一个 DeepSeek Harness 动态 Cordis 插件，为输入框添加一个麦克风按钮。点击它即可使用浏览器内置的 Web Speech API 将语音转写进输入框——零成本、零服务端。Host 端预留了离线引擎接缝（Vosk / whisper.cpp），供日后使用。

功能特性

- 🎙️ 输入框工具行左侧新增麦克风按钮，点击开始 / 停止收音
- ⚡ 实时识别：边说边把中间结果写进输入框草稿
- ➕ 追加式写入：不清空已有文字，识别结果追加到当前草稿末尾
- 🌐 零成本零服务端：直接复用浏览器内置 Web Speech API
- 🧩 预留离线接口：Host 端 voice.transcribe 已挂好，未来接 Vosk 无需改动客户端
- 🎨 跟随主题：按钮颜色使用 DSH 主题变量，自动适配明暗色

工作原理

| 部分 | 说明 |
| --- | --- |
| 识别引擎 | 浏览器内置 Web Speech API（SpeechRecognition / webkitSpeechRecognition） |
| 识别语言 | 默认 zh-CN（中文），可在 client.js 顶部 VOICE_LANG 修改 |
| 写入方式 | 通过输入框 Slot 提供的 inputActions.setDraft() 写入草稿，与手打内容共存 |
| 按钮位置 | conversation.input.left（输入框工具行左侧，模型选择那一行） |
| 离线预留 | Host 端 voice.transcribe 私有 RPC，当前返回「未配置」 |

目录结构

dsh-voice-input/
├── host.js      # Host 半（函数体：预留 voice.transcribe 离线接口）
├── client.js    # Client 半（函数体：麦克风按钮 + Web Speech 识别）
├── package.json # 仓库元信息
├── LICENSE      # MIT
└── README.md

host.js 与 client.js 是 DSH 动态 Cordis 插件的两个「函数体」，不是可 import 的 ES 模块，因此不含 import/export。它们要整段粘贴到 DSH 的 Host / Client 代码框里运行。

安装

方式一：DSH 动态 Cordis 插件（当前实现形态）

1. 打开 DSH 的动态 Cordis 插件面板；
2. 把 host.js 全文粘贴为 Host 代码；
3. 把 client.js 全文粘贴为 Client 代码；
4. 运行，并按提示批准该包。

插件即挂即用，按钮出现在输入框工具行左侧。

方式二：固化到你的 Agent 预设 / 组合

把 Host 与 Client 两个函数体分别写进你预设里的 Host/Client 插件行（参考 DSH 的 editing-cordis-compositions 说明），即可随预设持久挂载。具体行结构与你的组合方式有关，这里不展开。

使用

1. 点麦克风图标 → 按钮变红并出现脉冲动画，开始收音；
2. 直接说话，文字会实时出现在输入框里；
3. 再点一下（图标变方块）→ 停止收音；
4. 确认文字无误后，正常回车发送。

浏览器兼容性

| 浏览器 | 支持 |
| --- | --- |
| Chrome / Edge | ✅（推荐） |
| Safari | ✅（较新版本，行为略有差异） |
| Firefox | ❌（不支持 Web Speech API） |

- 首次点击会弹出麦克风授权，请点「允许」。
- 需联网：Web Speech API 会把音频交给浏览器厂商的识别服务器。

隐私说明

当前方案（Web Speech API）为了“零成本、零部署”，会把语音发到浏览器厂商的识别服务。若你在意隐私或需要完全离线，请使用下方预留的 Vosk 接口。

离线识别（Vosk）预留接口

Host 半已注册私有 RPC：

harness.handle('voice.transcribe', async (args) => {
// args: { audio, lang }
// return: { ok, text }  或  { ok: false, reason }
})

未来接 Vosk / whisper.cpp 时，只需在 host.js 里实现 voice.transcribe（跑本地模型 / 调用本地识别服务），并在 client.js 里把引擎从 Web Speech 切到 host.call('voice.transcribe', …) 即可，客户端其余逻辑无需重写。

Roadmap

- [x] Web Speech API 实时语音输入
- [ ] 语言切换（中文 / 英文 / 自动）
- [ ] Vosk 离线识别接入（Host 端）
- [ ] 语音输入过程中的可视化状态条

License

MIT