按住说话 eicon-xyz/dsh-voice-ptt

dsh-voice-ptt

给 DeepSeek Harness 用的按住听写（push-to-talk）：在输入框里按住一个键说话，松开即转写，文字插入当前草稿。

不用记组合键。按住 F2，松开，完事。

怎么用

1. 把光标放进输入框。当输入框获得焦点且草稿为空时，工具栏会出现一行淡提示：按住 F2 听写。
2. 按住 F2 —— 开始录音，提示变成 正在录音，松开 F2 结束。
3. 松开 —— 音频被转写，文字落在草稿的光标处。

听写过程中：

- 按 Esc，或按任何别的键（比如你本来想打的那个字母），立即取消并丢弃本次录音。
- 窗口失焦、或切走标签页，会取消录音，而不是录下无关的声音。
- 超过识别服务上限会自动停止录音，并转写已经录到的部分。

换键

那行提示本身就是按钮。点它展开候选键，点一个即生效并记住（存在 localStorage）。

| 键 | 说明 |
| F2（默认） | 功能键：不产生字符，冲突最少 |
| F4 | 功能键，位置更靠右 |
| Insert | 全尺寸键盘上右手好按；很多笔记本没有这个键 |
| 右 Ctrl | 右手小指按住最顺手 |
| 右 Shift | 右手小指；在 Windows 上连按 5 次可能触发粘滞键 |

修饰键也能正常工作：插件知道按住键本身就是修饰键，因此不会把它误判成组合键而放行事件。

提示文字、状态条和上面这些键名都会跟随 DSH 的界面语言（en / zh）。

想提供别的键，改 lib/client.js 顶部的 KEY_OPTIONS（一个 {code, labelKey} 数组，code 按 KeyboardEvent.code 的拼写，labelKey 指向 lib/client.js 顶部 zh / en 词典里的键名）。

安装

dsh plugin --profile web add dsh-voice-ptt

包声明了 dsh.bundle.patch，所以这条命令会把它追加到 profile 的 bundle 栈并挂载 —— 不需要手工编辑 cordis.patch.yml。从 Git 仓库安装时建议锁定 revision：

dsh plugin --profile web add 'github:eicon-xyz/dsh-voice-ptt#<commit>'

需要语音识别服务：安装并启用 @deepseek-ai/dsh-experimental-voice-input-bundle，并准备一次识别模型（约 230 MB）。若识别服务未就绪，按住键会在状态条给出可见原因，而不是静默失败。

开发模式

直接挂载本地 checkout，而不是安装 ln -sfn "$PWD" "$DSH_HOME/profiles/web/node_modules/dsh-voice-ptt" 然后在 profile 自己的 cordis.patch.yml 里加：
- insert:
- id: dsh-voice-ptt
name: 'dsh-voice-ptt'

切换到 bundle 通道前，必须先删掉这段手工挂载行，否则同一行会被挂载两次。

为什么单键要自己接管键盘

官方快捷键服务（@deepseek-ai/dsh-client-shortcuts）只派发 keydown —— 没有 keyup 事件可以用来结束"按住"。它还拒绝不带修饰键的绑定（bindingIssue 返回 modifier-required），并且在 Web 端把组合限制在一份平台白名单内。

所以"按住一个键说话"无法表达成快捷键命令。本插件改为自己接管键盘：文档级 keydown 开始，keyup 结束。代价是它无法出现在设置 → 快捷键里 —— 这也是换键入口做在输入框里的原因。

不让单键变成"第二个修饰键"

| 情况 | 行为 |
| 焦点不在输入框里 | 不开始录音 |
| 录音期间按了任何别的键 | 取消本次采集；那个键照常工作（按住右 Ctrl 再按 A，Ctrl+A 依然生效） |
| 弹窗或菜单打开时 | 让出按键 |
| 带修饰键的按下（Ctrl+F2、Alt+F2 等） | 完全不拦截 |
| 焦点在终端里 | 不拦截（xterm 自己要用功能键） |

实现要点

- 插入草稿用会话作用域的 inputActions（captureInsertion + insertText）。插件在 conversation.input.left 注册一个常驻条目来登记每个会话的动作；同一个条目同时渲染状态条、焦点提示和键位选择器。
- 录音用 MediaRecorder，经 OfflineAudioContext 重采样成 16 kHz 单声道 PCM16 WAV —— 与官方语音输入插件发送的格式一致 —— 然后调用 host 的 speech.transcribe。
- host 半侧是有意为空的。 所有行为都在浏览器半侧，通过 dsh.client 触达。

文件

| 路径 | 用途 |
| lib/client.js | 浏览器半侧：按键、录音、转写、状态条、键位选择器 |
| lib/index.js | host 半侧（有意为空，只为让 bundle 行可挂载） |
| cordis.patch.yml | 安装器合并的 dsh.bundle.patch 层 |
| test/ | 无头 Chrome 端到端测试 |

测试

它们驱动真实浏览器、连接一个正在运行的 DSH web profile，并把自带的音频夹具喂给 Chrome 的假麦克风：

npm install # 提供 ws
export PTT_TOKEN=<dsh web URL 里的 token>
node test/e2e.cjs # 按住 → 松开 → 文字插入草稿
node test/picker.cjs # 选择器打开、新键生效并持久化
node test/modifier-key.cjs # 右 Ctrl 可录音；Ctrl+A 不被抢占
node test/nonempty-draft.cjs # 草稿非空时仍可用，文字追加在后面
node test/modal-yield.cjs # 弹窗打开时让键，关闭后恢复

test/make-fixture.cjs 可以从任何 Chrome 能解码的音频重新生成 test/fixtures/speech-16k.wav：

node test/make-fixture.cjs input.mp3 # 需要 Chrome；不需要 ffmpeg

已知限制

- 只在 Web 端生效（Desktop 原生键盘桥接未接线到本插件）。
- 没有流式字幕：松开后才出文字。
- 从不自动发送 —— 转写结果只进草稿，由你确认。
- 同一时刻只监听一个按住键；不改 KEY_OPTIONS 的话只能从内置候选键里选。

许可证

MIT