语音对话悬浮窗kittcat-lab/dsh-kitt-voice

DSH KITT

为 DeepSeek Harness 网页界面打造的语音插件——以西班牙语为首选语言，并且在无需注视浏览器的情况下也能使用。

按下一个按键，说出你的需求，智能体会用语音回答。一个小巧的悬浮窗会停留在你正在使用的任何应用之上，告诉你当前的状态。

状态：1.0 版，每天在用。 语音对话、悬浮窗和全局快捷键已完成并每天在使用。界面支持中文、英文和西班牙语。本地 Whisper 尚未实现；见 缺失的功能。

为什么还需要一个语音插件

Harness 已有不错的语音插件，但没有一个能做到下面两件事，而其中一件不是靠努力就能做到的：

- 它们不懂西班牙语。 它们的语音识别是为中文和英语设计的。dsh-kitt-voice 使用 Whisper——真正多语言的识别模型——并用 Piper 朗读，后者拥有优秀的西班牙语语音且完全在本地运行。
- 浏览器一失焦它们就失效——因为插件活在网页里，而网页听不到别人没有给它的按键，也没法显示在全屏游戏之上。这正是悬浮窗存在的原因。

它能做什么

- 真正的语音对话，而不是听写。 按一次就开始说。它听到你说完，转写、发送、等待回复并朗读出来，然后继续听。回合之间不需要按任何按钮。
- 能分辨语音和噪音。 在嘈杂的房间里——电视、音乐、从扬声器传来的引擎声——用音量来判断你说完没有会失败：任何噪音都会被当成说话，而在免提模式下就意味着替你把噪音发给智能体。这里由真正的检测器——Silero——来决定。在本项目中的实测阈值是 0.30：静音 0.04，引擎噪音 0.13，低沉的轰鸣 0.10，哨声 0.16。后三者调大音量后，任何音量计都会被骗过。
- 按键说话，如果你更喜欢这种方式。 按下麦克风或你的按键，说话，再按一次。文字会进入消息框；由你决定何时发送。
- 边写边读。 在对话中，回复会一句一句地朗读，而智能体还在继续撰写，这样长回答不会先沉默十五秒。只有句子结束之后才会被朗读出来：半句话加一个停顿听起来像故障。代码块只会被说出名称，不会被逐字朗读。
- 你可以打断它。 在它朗读时开口，它就会停下。这个门槛不是事先挑的数字：每次回复
开始的前半秒，麦克风会先听，而它听到的就是回声，因为那时还没有人说话。要算作
人声，必须超过这个底线三倍并持续三分之一秒。它在每次回复时重新测量，所以中途戴上
耳机会自动适应，而关门声太短，不足以触发它。
- 每次回复只用一种声音。 引擎、语音和语速在回复开始时决定，并保持到回复结束。如果所选引擎失败，该回复的其余部分改用系统语音朗读，状态栏会说明；下一次回复会再次尝试该引擎。一次回复绝不会中途换声音。
- 两个页面，一套按键。 当 Harness 在多个地方打开时，按键只会送到正在使用语音的页面——如果都没有在用，就送到你面前的那个。其他页面保持安静。
- 值得一听的声音。 104 个神经语音，按语言和国家分组：45 个西班牙语——西班牙和美洲所有西语国家——47 个英语和 12 个中文。它们由微软的朗读服务提供，无需密钥、无需账户，代价说得很清楚：回复的文本会离开你的电脑。 除此之外什么都不会离开。
- 按你自己的节奏。 朗读速度可以在半速到双倍之间调节，并适用于全部三种引擎：系统语音、Piper 和神经语音。听和读不一样，用别人的节奏听长回复很难跟上。在悬浮窗的菜单里设置即可，无需改任何文件。
- 对话有铃声。 打开对话时响起升调，挂断时响起降调，让你仅凭声音就知道它正在聆听——而这正是你不看屏幕的时候。
- 界面支持三种语言。 中文、英文和西班牙语，网页和悬浮窗都是如此。悬浮窗的语言在它自己的菜单里选择，与你说活时所用的语言相互独立。
- 或者什么都不离开。 指向一个 Piper 语音文件夹，合成就在本机离线完成。就算两者都没有，它也能用系统自带的语音说话。从第一分钟起就能用；更好的语音是改进，不是前提。
- 在哪里都能用的快捷键。 分配一个全局快捷键，就可以从任何应用——游戏、编辑器、任何东西——里和智能体说话。方向盘按钮映射到该按键同样有效。
- 自己选择设备。 麦克风和声音输出分开选择，因为好的麦克风和好的扬声器很少是同一个设备。
- 它总是告诉你正在发生什么——聆听中、转写中、朗读中——而一旦出错，它会说出是哪一部分、为什么。
- 英文词按本地读法说出来。 Piper 语音读的是西班牙语音素，因此不加处理时，文本里的 JSON 会被念成「jotason」。插件自带一份对照表，在文本送到语音之前把这些词改写成本地人会写的拼法——JSON=yeisón、setup=setáp、brake bias=breik báias。仅对 Piper 生效：神经语音和系统语音本来就能正确读出这些词。
- 如果问题出在麦克风，它会直说。 录音时会测量电平：若麦克风被静音、音量过低或已过载，屏幕上显示的就是这一点以及该怎么处理，而不是一句「转写失败」。录音无论如何都会照常发送；如果最终识别正常，该提示会自行消失。若无法测得电平，它就不作判断。

安装

dsh plugin --profile web add dsh-kitt-voice

该命令会把包安装到 Harness 配置文件中，并自动把插件追加到配置文件的 bundle 列表（声明了 dsh.bundle 的依赖会自动加入层栈）。重启 Harness——彻底停止，而不是简单地重新启动，否则你仍在和旧进程对话。在输入框工具栏会出现麦克风和扬声器按钮。

卸载：

dsh plugin --profile web remove dsh-kitt-voice

同一个命令会同步 bundle 列表，只移除这个插件。旧版建议手动编辑 package.json，那属于旧版 CLI（会重写整个列表）的做法；当前版本按已安装状态同步。

不使用 npm，而是使用本地克隆： 让配置文件指向克隆目录。

dsh plugin --profile web add link:/绝对路径/to/dsh-kitt-voice

如果你的 Harness 使用其他配置文件名，把 web 换成你的名字。

配置

除转写密钥外，一切都在 设置 → 插件 → dsh-kitt-voice：识别器、语言、辅助词汇、语音文件夹、语音、麦克风和声音输出。

转写密钥来自 Harness 自己的凭据库——和智能体密钥所在的地方一样。无需创建任何东西，也无需重启：以 GROQ_API_KEY 保存即可，插件会找到它。如果你的密钥存在别的名字下，把 apiKeyRef 指向那个名字。

如果凭据库为空，则使用环境变量 DSH_KITT_API_KEY 或 GROQ_API_KEY。

密钥不会显示在设置里，也永远不会到达浏览器。页面只询问是否已配置，通过一个不可能返回值的调用。每次请求都会重新解析，所以更换密钥立即生效。

所有可以修改的设置

| 设置 | 作用 |
| --- | --- |
| piperPronunciation | 为了让 Piper 语音正确读出英文词，这些词该怎么拼写，格式为 词=拼写，以逗号分隔。Piper 读的是其语音所属语言的音素，所以西班牙语语音会把 JSON 念成「jotason」，除非按西班牙语拼法写出来。仅对 Piper 生效。 |
| speechRate | 朗读回复的速度。1 是语音本身的语速；0.5 是一半，2 是两倍。三种引擎都适用，包括系统语音——它由页面朗读而不是服务器。 |
| uiLang | 插件自身界面的语言：西班牙语、英语或简体中文。与转写语言相互独立——你可以用西班牙语口述而界面保持英文。 |
| buttonColours | 控件各有自己的颜色，或者全部为白色。颜色让人一眼看出每个控件的作用；朴素模式是给觉得那样太吵的人准备的。 |
| overlayAuto | 一使用语音就自动打开悬浮窗，并随框架一起关闭。默认关闭：一个自己冒出来的窗口，是没有人要求过的窗口。 |
| micLabel | 使用哪个麦克风，按名称。留空表示系统默认。刻意按名称而不按 id：浏览器会给每个来源分配不同的 id 来指代同一个物理设备，所以在悬浮窗里选中的 id 在页面里毫无意义。 |
| outputLabel | 回复从哪个扬声器或耳机播放，按名称。 |

识别器

| 选项 | 需要账户 | 在桌面应用中可用 | 说明 |
| --- | --- | --- | --- |
| 浏览器（默认） | 否 | 否 | 仅 Chrome 和 Edge；音频经过浏览器厂商 |
| Groq Whisper | 是 | 是 | 精度和速度最佳；需要在凭据库中有密钥 |

浏览器识别器是默认项，让新用户几秒钟内就能说话。它在 Electron 中不可用——对象存在但识别每次都会失败——所以当 Harness 嵌入桌面应用时，插件会切换到 Groq 并明确告知。

西班牙语中夹杂的英语词

说西班牙语的人会在西语句子中间说出 setup、brake bias、understeer。只告诉 Whisper「西班牙语」，它会把它们按读音写成西语（cetap、breik baias），智能体收到的就是乱码。设置中的辅助词汇会发送给 Whisper，让这些术语保持英语。请按你自己的领域编辑它。

语音检测器

免提对话必须知道你何时说完一句话。那是一个模型——Silero v5——加上它的运行时，一共约十六兆字节。

它们不随本包一起发布。 大多数安装语音插件的人只想按一个按钮说话；让所有人都为可能永远不用的模式背负十六兆字节是不礼貌的。它们按以下两种方式之一到达，顺序如下：

1. 一个你已有的文件夹，在设置中指定为 vadDir——什么都不下载；
2. 一次有引导的下载，第一次开启对话时先告知大小。

无论哪种方式，文件都由 Harness 自己回传给页面，浏览器永远不会自行访问互联网，而且固定列表中的六个名字是唯一能成为路径的名字。

是六个文件，不是五个：检测器自己的包不携带推理运行时。它期望页面上已有一个，并且要先加载。

悬浮窗

cd overlay
start.cmd          Windows
./start.sh         macOS 和 Linux

Electron 不随包发布：Harness 是网页应用，大多数人不想要桌面窗口。启动器会使用你已经安装的 Electron——把 DSH_KITT_ELECTRON 指向它——或在这里运行 npm install 获取一个。

一条悬浮在所有东西之上（包括全屏游戏）的横条，横条就是控制区——和 Harness 自带工具栏里的完全相同：同样的图形、同样的颜色、同样的尺寸，因为它们本就是同一组控制，只是出现在两个地方。

- 左侧的品牌字母 K——KITT 模式：免提连续对话，无需再按任何键。模式开启时它会显示当前状态的颜色——等待时蓝色，聆听或思考时绿色，朗读时红色——思考或朗读时它的光晕会轻轻脉动。两边都可以关闭。旁边的「kittcat.com」文字会打开网站，而且只在空闲时；
- 红色麦克风——按一次开始，说完再按一次；文字会落在输入框里，由你按 Enter 发送；
- 扬声器——再听一遍最后的回复，或让它停下；
- 琥珀色带斜线的麦克风——静音。它是真的停止检测器，不是假装。这是为你没有看屏幕的时刻准备的：有人过来跟你说话，或者你要播放视频。静音只是让对话待命，不会挂断；
- 齿轮——其他一切：麦克风、扬声器、语音、语速、语言和按钮配色；快捷键；停止朗读和外形；
- ×——不打开菜单直接关闭窗口。关闭不是死路：下次启动语音时插件会重新打开它——但不会在你关掉它的那场对话中途重新打开——Harness 工具栏里的齿轮也随时能打开。

边框承载状态，可以用余光读取：静止时无颜色，聆听时为绿色——并随测得的音量增长——思考时为蓝色并缓慢呼吸，朗读时为红色。 如果出错，会显示闪烁的 ERROR 字样，无需解读任何颜色。

按住即可拖到任何位置，它会记住你留在哪里。

快捷键（在菜单中分配）：F8 说话并发送，F9 开始或结束对话，F7 静音麦克风，F10 再次听回复，F11 停止朗读（在对话中同时停止等待回复），F6 打开菜单。想用方向盘按钮，就在方向盘自己的软件里把它映射到这些按键之一——无需任何手柄代码。属于整个系统的按键（Ctrl+C、Alt+F4 等）会被拒绝：全局快捷键会把按键从机器上的所有应用中夺走。

如果你的 Harness 不在 3081 端口，设置 DSH_KITT_PORT。它只接受端口，绝不接受 URL：窗口只能访问 loopback。

结构

lib/          插件
index.js      服务器端：设置、HTTP 路由、捕获最后一条回复
client.js     浏览器端：控制、录音、设置卡片
guard.js      谁可以调用路由
transcribe.js 语音转文字
speak.js      使用本地 Piper 语音朗读
neural.js     神经语音：其协议，以及会让什么离开你的电脑
overlay.js    使用语音时打开悬浮窗
vad.js        语音检测器的文件，以及它们如何到达
lastfromlog.js 从会话日志恢复最后一条回复
apikey.js     每次调用解析密钥，从不缓存
log.js        一行启动信息，以及被拒绝的请求——绝不含密钥
freshness.js  检测服务器运行的是旧版插件
paginas.js    多个页面同时打开时由哪一个响应按键
pronunciacion.js 英文词该怎么拼写才能让 Piper 读对
overlay/       悬浮窗（独立的 Electron 应用）
main.js       窗口、外形和位置
shortcuts.js  系统级快捷键
requests.js   窗口可以向 Harness 请求的封闭列表
textos.js     窗口显示的所有文字，三种语言
index.html    它绘制的内容
test/          值得保护的部分

两半从不共享内存。它们通过 /dsh-kitt-voice 下的十三条 loopback 路由通信：config、settings、devices、voices、transcribe、speak、last、state、command、orders 和 vad/status、vad/download、vad/file。每一条都会检查调用者。状态流向为页面 → 主机 → 悬浮窗；command 流向相反，是浏览器之外的按键到达页面的方式。

安全

- 每条路由都检查调用者。 Loopback 不是隐私：你访问的任何页面都可以让你的浏览器向 127.0.0.1 发送请求。请求必须来自 loopback，携带 Origin 的请求必须指向这台服务器——相同的 loopback 写法、相同的端口（Origin 和 Host 都由调用者写入，所以永远不信任它们彼此一致）。拒绝不会透露关于这台机器的任何信息。
- 转写密钥永远不会到达浏览器，也永远不会被记录。页面只知道是否已配置。
- 语音名不能变成路径。 在拼接到文件夹之前会经过严格校验。
- 悬浮窗被牢牢锁住：上下文隔离开启、页面中没有 Node、沙箱、无导航、无新窗口、无浏览器权限，并且只能访问 127.0.0.1 上的可配置端口——永远不会接受别人给它的 URL。它的页面完全不发起网络调用：所有请求都由主进程对照 overlay/requests.js 的封闭列表转发，所以即使它自己的代码也无法把它指向别的服务器。
- 文件名同样不能变成路径。 检测器的文件按固定六项列表按名提供；其他一切在构造路径之前就被拒绝。
- 关闭窗口时归还全局快捷键。

测试

npm test

115 项测试，使用 node --test 运行，无需构建步骤。它们覆盖出错代价最高的部分：谁可以调用路由、语音名能否逃出它的文件夹、回复切分器承诺了什么、日志回退永远不会在它所服务的路由内部抛错、窗口的请求白名单、朗读句子切分器、交给语音的文本片段、两个页面同时打开时由哪一个响应按键、何时判定问题出在麦克风、英文词该怎么拼写才能让 Piper 读对、发送给神经语音服务的内容，以及速度档位。

缺失的功能

- 本地 Whisper。 会消除桌面应用中对密钥的需求。它需要模型管理和音频转换，尚未实现。
- Windows 以外的一切。 这里没有任何 Windows 专属的东西——语音、窗口和快捷键都有对应方案——但它只在 Windows 上运行过。欢迎报告。

已经付过代价的陷阱

二十七个各花掉一整个下午的问题，连同它们的症状一并写下：
已经付过代价的陷阱。它们全都是在使用中暴露的，
而不是靠读代码发现的，而且没有一个报错。动到哪一部分之前，先读属于它的那一条。

许可证

MIT——见 LICENSE。参考过的既有项目在 NOTICE 中致谢。如何参与：CONTRIBUTING.md。变更记录：CHANGELOG.md。

由 Kitt Cat 开发 · kittcat.com

English: README.md · Español: README.es.md