小艺朗读 lemonhall/dsh-tts-reader

dsh-tts-reader

把助手的回答默认用小艺（zh-CN-XiaoyiNeural）的声音念出来。

它替换掉 SKILL multilingual-tts-audio 那条路子：那个 SKILL 每次都要 uv run --with edge-tts python …（解析依赖 + 起 Python + 等整个 MP3 写完），而且要我 主动去调它。这个插件常驻进程内、逐句流式合成，而且边写边念。

两个入口

| 位置 | 作用 |
| 输入框右侧的喇叭 | 整个会话的实时朗读开关（默认开），状态存在 localStorage |
| 每条回答下方的喇叭 | 在「显示 / 复制 / 点赞 / 用量 / 时间」那一行，重读这一条；再点一下停 |

两者是独立的两条队列：点「重读某条」会临时接管扬声器（否则两边抢着说话），读完自动把实时朗读接回——从下一句开始，不补播期间错过的内容。
实时朗读不受影响：它的队列和游标始终是分开的。

它是怎么工作的

agent/assistant-stream GET /dsh-tts/tail?session=…&since=…
（模型正在写的原文） （base64 MP3，按句游标拉取） │ ▲ ▼ │ lib/index.js ──► lib/feed.js ──► lib/edge-tts.js 宿主半边 逐句队列 零依赖 Edge TTS 客户端 │
Session.snapshotEvents() ────────────────┤
（某条历史回答的正文） GET /dsh-tts/message?session=…&id=…&since=…
│ │
└──────────────► lib/feed.js ─────────┤
│
lib/client.js ──┘
页面半边：Web Audio 无缝连播 + 两个开关

- 为什么在宿主侧合成：Edge 的朗读服务只在请求带浏览器 User-Agent 时才 101 升级，而浏览器的 WebSocket 无法自定义请求头；Node 可以，所以合成放在宿主侧。
- 为什么监听 agent/assistant-stream：这是模型输出的原始流，比 DOM 早。
一句话在屏幕上还没排完，声音已经出来了。
- 「重读某条」的正文从哪来：ctx.sessions.get(id).snapshotEvents() 里那条 assistant/message 事件带的 stream 正是可见正文（不含推理和工具调用）。
被查看的会话一定是活的，所以整个可见历史都能读，不受插件安装时间限制。
- 为什么是"拉"而不是"推"：页面每 400 ms 用游标拉一次。没人拉就不合成，没有听众的会话不花任何代价。

改代码之后怎么生效

| 改了哪半边 | 生效方式 |
| lib/client.js | 刷新页面即可（Ctrl+F5 / CDP reload）——客户端 bundle 按 URL 现取 |
| lib/index.js / lib/feed.js / lib/edge-tts.js | 必须重启应用。宿主模块被 Node 的 ESM 缓存按 URL 锁住，plugin_manager 关掉再打开条目没有用（实测：路由依旧 404） |

⚠️ 实测警告：往 profile patch 的 hmr 条目里加 root 目录（见下）并没有让宿主半边热重载——配完之后改文件，/dsh-tts/message 依旧 404。该配置先留着，重启后再验证一次是否生效；在那之前，改宿主半边一律按"要重启"来预期。

另外：别用 plugin_manager set_plugin 去关/开这个插件。实测这会留下半死状态——路由还在，但 agent/assistant-stream 监听被停掉，于是不再产生新句子、实时朗读静默失效，而条目看起来是 enabled。要停就用输入框那个喇叭按钮。

配置

改 $DSH_HOME/profiles/desktop/cordis.patch.yml 里 dsh-tts-reader 那条的 config （本插件没有导出 Config schema，Cordis 会把整块 config 原样交给 apply）：

| 键 | 默认 | 说明 |
| enabled | true | 宿主侧总开关 |
| voice | zh-CN-XiaoyiNeural | Edge TTS 短名，启动时向官方声音目录核对 |
| rate / volume / pitch | +0% / +0% / +0Hz | 合成参数 |
| maxPerRequest | 3 | 每次拉取最多返回几句 |

朗读内容会怎么处理

念的是给人听的版本，不是屏幕上的 Markdown：

- 围栏代码块 → 整块丢掉（念代码没有意义）
- 行内代码 → 保留里面的字
- 表格 → 单元格用「，」连起来，分隔行丢掉
- 链接 → 只念文字，裸 URL 变成「链接」
- 标题 #、加粗 **、引用 >、列表符号 → 去掉
- 推理过程和工具调用参数永远不念

三个协议坑（都实测过，别再踩）

1. 准入的门槛是 User-Agent，不是签名。 服务端拒绝升级时只回一个裸的 403，不说哪个头不对。把请求头逐个变量做对照实验后确认：
- User-Agent: …Chrome/143…Edg/143 → 101
- User-Agent: …Chrome/130…Edg/130（过旧）→ 403
- Sec-MS-GEC-Version 写个瞎编的 1-99.0.0.0 照样 101

lib/edge-tts.js 保留当前版本号只是为了不至于过期，它从来不是开关。

2. SSML 里必须写语音全名。 zh-CN-XiaoyiNeural 是短名，服务端只认 Microsoft Server Speech Text to Speech Voice (zh-CN, XiaoyiNeural)。
写短名不会报错 —— 服务端接受 101 升级，然后静默 reset 连接。
插件启动时拉一次官方声音目录做映射，离线兜底按 locale-Name 推导。

3. 二进制音频帧没有空行分隔。 帧结构是 [2 字节大端头长度][ASCII 头][MP3]，音频从 headerLength + 2 开始。
不要去找 \r\n\r\n —— 找不到，会得到 0 字节「成功」。

一个被证伪的怀疑，记下来免得后人再查

Sec-MS-GEC 是时间戳乘 1e9/100 再哈希。这个乘积约 1.3e17，看着像超出了 float64 的精确整数范围，所以一度以为「必须用浮点、精确整数会算出另一个哈希」。

这个说法是错的。 实测对比了前后三年、332,640 个五分钟时间片，零处不一致。
原因是 ticks 被下取整到 300 的倍数，而 300 × 1e7 = 3e9 本身是 16 的倍数，乘积恰好落在 float64 能精确表示的范围内。代码里保留浮点写法只是为了跟参考实现一致。

自测

cd E:\development\dsh-tts-reader
node test/feed.mjs # 逐句队列：游标、预热、失败、剪枝（纯离线）
node test/client-load.mjs # 客户端半边：模块封装、槽位注册、渲染（纯离线）
node test/host-e2e.mjs # 宿主半边端到端：假事件 → 真路由 → 真 MP3（需联网）
node test/smoke.mjs # 语音目录 + 合成 + 文本清洗（需联网）

调试时 $env:DSH_TTS_DEBUG=1 会打印 WebSocket 帧级日志。