按住说话语音输入 hajixiaolei-art/dsh-client-ui-voice

dsh-client-ui-voice

给 DeepSeek Harness Web 界面加一个按住说话的语音输入按钮：鼠标按住 🎤 对着麦克风说话，实时转成中文写进聊天输入框；松开鼠标即停止录入。

一个纯浏览器端的 Cordis 客户端插件（dsh.client），无需后端、无需 API key。

功能

- 在聊天输入框右下角（发送按钮旁）添加一个麦克风按钮
- 按住说话 → 实时识别 → 松开停止
- 识别文字追加到输入框已有内容的末尾
- 基于浏览器原生 Web Speech API（SpeechRecognition），zh-CN + 连续识别 + 实时中间结果
- 无需任何后端服务或 API key

安装

插件以 out-of-tree 包的形式安装到 web profile：

1. 放到 web profile 的 node_modules
mkdir -p "$HOME/.dsh/profiles/node_modules/@local"
cp -r . "$HOME/.dsh/profiles/node_modules/@local/dsh-client-ui-voice"

2. 在 $HOME/.dsh/profiles/web/cordis.patch.yml 顶层数组里加入：

- insert:
- id: ui-voice
name: '@local/dsh-client-ui-voice'

3. 重启 web 服务（客户端插件表在启动时快照，新插件需重启才会被扫描）：

dsh web

重启后刷新浏览器页面，打开任意会话即可在输入框右下角看到 🎤 按钮。

使用

1. 打开一个会话
2. 按住 🎤 按钮 → 对着麦克风说话
3. 识别文字实时写入输入框
4. 松开 → 停止录入

工作原理

- package.json 里的 dsh.client 声明这是一个 web 平台的客户端插件，依赖 @deepseek-ai/dsh-client-runtime 和 @deepseek-ai/dsh-client-ui-conversation。
- lib/index.js 是 node 半边（空 apply，仅为了让 host 侧 row 激活）。
- lib/client.js 是浏览器半边（window.__ModuleLoader__.load 格式）：
- 通过 slots.inject("conversation.input.right", …) 把按钮注册到输入框工具行右端（session 作用域）；
- 组件拿到 session 标准 kit 的 inputActions.setDraft()，把识别结果直接写进输入框；
- 语音识别用 SpeechRecognition（webkitSpeechRecognition），按住 start()、松开 stop()。

目录结构

.
├── package.json # 声明 dsh.client（platform=web） ├── lib │ ├── index.js # node 半边（空插件） │ └── client.js # 浏览器半边（按钮 UI + 语音识别） ├── README.md └── LICENSE

卸载

1. 删除 cordis.patch.yml 中的 ui-voice 段；
2. 删除 $HOME/.dsh/profiles/node_modules/@local/dsh-client-ui-voice/；
3. 重启 dsh web。

注意事项

- 浏览器支持：仅 Chromium 系（Chrome / Edge）支持 Web Speech API；Firefox / Safari 不支持。
- 网络：Chrome / Edge 的语音识别走 Google 服务，中国大陆网络下可能不稳定或不可用。若识别无反应，可换用带 API key 的第三方识别方案（阿里云 / 讯飞 / OpenAI Whisper 等）。
- 权限：首次按住说话时浏览器会弹出麦克风授权，请点击“允许”。

贡献者

- 哈基小磊 (hajixiaolei-art) —— 发起者 & 维护者
- DeepSeek（AI 助手）—— 插件设计 & 代码实现

License

MIT © 2026 哈基小磊 (hajixiaolei-art)