朗读音量旋钮 jianghu-lao-yao/sh-volume-knob

sh-volume-knob

朗读 + 音量，一个按钮。从你最新那条提问的开头开始朗读。· Read aloud from the start of your newest question — one button. 作者 / by 江湖老妖

DeepSeek Harness Web GUI 的输入框工具行里、话筒按钮右边的一个扬声器按钮：

- 单击 → 页面自动翻动到朗读起点（默认＝你最新那条提问的第一个字），在起点闪烁一根光标，然后从那里一直读到最新回复结尾；再单击停止，光标同时消失。
- 按住并向右拖拽 → 在页面上挑朗读起点：光标跟着鼠标走，旁边给出提示（第几字 + 预览）；松手即定，提示消失，再单击就从这里开始读。
- 按住并向上拖拽 → 调出竖式音量混音台：页内音量 + 系统音量，各自可静音。
- 点击页面任何其他地方 / Esc → 收起混音台 / 取消挑选。

[ 话筒 ] [ 🔊 ] ← order 30 / 40 in the composer tool row

安装

从 npm 安装（推荐）
dsh plugin --profile web add sh-volume-knob

也可以直接从 GitHub 装（等价，取的是仓库源码）：

dsh plugin --profile web add github:jianghu-lao-yao/sh-volume-knob

收录进社区列表后，还能在 dsh-market（设置 → 插件市场）里搜到并一键安装。

装完重启一次 dsh web（插件在启动时组入 boot graph），然后刷新页面。

交互

| 手势 | 行为 |
| 单击图标 | 翻到起点、闪烁光标、从起点朗读；再单击 → 停止 |
| 按住并向右拖拽（≥16px） | 进入挑起点模式：光标跟手，显示提示；松手定下起点 |
| 按住并向上拖拽（≥18px） | 调出音量混音台（从图标上方弹出） |
| 点击其他地方 / Esc | 收起混音台 / 取消挑选 |
| 长按不拖（>400ms） | 不朗读（防误触） |
| 混音台开着时单击图标 | 只收起混音台 |
| Enter / Space | 朗读 / 停止 |
| Alt + ↑ | 开关混音台 |
| ← / → | 光标左右移 1 字（挑选模式下同样可微调） |
| Shift + ← / → | 光标左右移 20 字 |

朗读中图标变蓝并多一道声波弧；页内静音时图标变红带斜线。挑选起点时光标变琥珀色，朗读时光标是主题色。

朗读起点

- 默认起点：你最新那条提问的第一个字。单击即翻到那里，并在那里闪一根光标，读的顺序是「这条提问 → 之后的助手回复（含最新那条）」。
- 自定义起点：按住图标向右拖，把鼠标移到想开始读的文字上松手。光标会吸附到最近的可读字符上，越界（拖到空白/代码块外面的糊边上）会夹到最近的可读位置。
- 起点按会话记录保存（localStorage），刷新页面后仍在；出现新回复时自动回到「最新提问开头」。
- 光标只是标记，不是 MD 编辑器里的选区：它不会选中文字、不影响复制。

两个音量有什么区别

| 推子 | 管什么 | 不管什么 |
| 页内音量 | 本标签页里所有 / 元素的 volume：语音朗读、提示音、网页播放器 | 系统音量、其他 App、其他标签页 |
| 系统音量 | 系统输出音量与静音（macOS osascript，Linux pactl） | 单个页面的元素音量上限 |

两者串联：系统音量是天花板。系统静音时页内开满也没声；页内拉到 0 只静这一页。

朗读实现

- 文本来源是白名单，不是黑名单。真实 DSH DOM 里每个消息节点都带 [data-chat-flow]，用 data-chat-flow-kind 标明类型；实测（dsh 0.1.7-rc.1）出现过这 5 种：

| kind | 内容 | 是否朗读 |
| user | 你的提问 | ✅ 默认起点就是最新这条的第一个字 |
| assistant-step | 回复正文（data-chat-group-part="response"） | ✅ |
| assistant-step | 思考过程（data-chat-group-part="reasoning"） | ❌ 模型草稿，不念 |
| turn-process | 「已完成工作 用时 4 秒」折叠头 | ❌ |
| turn-tail | 用量 301K tok 02:00 | ❌ |
| tool-call | 工具调用卡片 | ❌ |

所有节点都是平铺的兄弟节点（没有嵌套），所以按文档顺序拼接即可。
- 阅读范围：从起点字符起，沿「可读节点序列」一直读到末尾；更早的轮次不读。
- 每个字符都有对应的 DOM 位置：插件把节点按 innerText 语义打平成文本串，同时记录「第 n 个字落在哪个文本节点的第几个字符」，所以光标、翻页、按字符微调都精确到字；节点内部的按钮（复制/重试）不计入。
- 合成：按 ~220 字切句块，逐块 POST /dsh-tts/speak（复用 dsh-tts 已配置的 provider 链，例如 Edge zh-CN-XiaoxiaoNeural），顺序播放；未安装 dsh-tts 或某个分块合成失败时，剩下的部分回退浏览器 speechSynthesis（不会从头重念）。
- 点按钮时会先暂停页面上正在播放的音频，所以和 dsh-tts 的自动朗读（speakReplies）不会重叠。

0.6.0 在这里翻过车：它按 data-chat-flow-kind="assistant" 找回复（真实值其实是 assistant-step），又用「跳过 button/svg」的黑名单排除杂物，结果把 turn-tail 当成了起点——光标落在时间戳上。0.7.0 换成白名单，并补了针对这一条的回归测试。

结构

package.json dsh.bundle.patch + dsh.client.platform=web
cordis.patch.yml bundle 层 lib/index.js host 半：GET/POST /sh-volume-knob/system、诊断 /sh-volume-knob/diag lib/client.js 浏览器半：slot 按钮 + 文本/光标定位 + 朗读器 + 竖式混音台（无需构建步骤） scripts/test.mjs jsdom 测试：把上面这个 bundle 原样跑在仿真会话 DOM 上

开发

npm install
npm test # 16 项：文本定位、光标、拖右挑选、朗读、回退、混音台

测试不引入 React，而是自带一个只实现 createElement + 四个 hook 的微型运行时，并用 jsdom 跑未改动的 lib/client.js；只有 jsdom 缺的东西（布局几何、音频、语音合成、宿主 HTTP 路由）是仿真的。

要求

- DSH >= 0.1.5-rc.3，Web GUI。适配按你要的通道顺序推进：正式版 → next → latest（alpha 版不在适配范围内）。

| 顺序 | 通道 | 现在这个 Tag 指向 | 状态 |
| 1 | 正式版（无后缀稳定版） | 还没有——npm 上 26 个版本全是 -rc/-alpha，GitHub 上 10 个 release 全标着 prerelease（deepseek-harness@0.0.1 只是占位包） | 出了即通过，插件无需改动 |
| 2 | next | 0.1.7-rc.1 | 已核对（本机 GUI 就是这一版） |
| 3 | latest | 0.1.5-rc.3 | 已核对 |

⚠️ latest 比 next 旧（0.1.5-rc.3 < 0.1.7-rc.1），所以通道顺序 ≠ 版本递增顺序。这正是 engines.dsh 必须写成下限式 >=0.1.5-rc.3 的原因：写成按「最新那版」收窄的范围（比如 >=0.1.7-rc.1）会把 latest 关在门外；写成 ^0.1.5 又会在 0.1.x 上永远不匹配 0.1.7-rc.1，把 next 也踢掉。
正式版发出来之后，位于版本号下方的通道一律被这个范围涵盖，不需要再动。
- 插件代码里没有任何按版本分支：window.__ModuleLoader__.load({id, factory})、ctx.slots.inject / ctx.slots.register、conversation.input.right 这些接口在 latest(0.1.5-rc.3) 与 next(0.1.7-rc.1) 上逐个比对过，签名一致。
⚠️ 但消息 DOM 的取值必须实测，不能只看接口名：0.6.0 就是栽在这里——它以为 kind 是 user/assistant，实际是 user/assistant-step/turn-process/turn-tail/tool-call。0.7.0 的取值是在真实页面上 dump 出来的（见下表）。
- 系统音量路由：macOS（osascript，内置）/ Linux（pactl）。其他平台该行置灰并显示原因。
- 可选：dsh-tts —— 没装也能用，只是回退到浏览器语音。

已知边界

- 页内音量是母音量，会覆盖插件自己设过的 element.volume；默认 100% 时行为不变。
- 浏览器 speechSynthesis 没有音量 API，只能在静音时 cancel()。
- 混音台路由只接受回环地址或同源请求，避免任意网页改你机器音量。
- 「起点」是按字符记的：如果回复在起点之后被重新渲染成不同的文字（例如流式输出还没结束），起点会按同一节点重新夹取；节点整个换掉时退回默认起点（最新提问开头）。

许可

MIT © 江湖老妖