MiniMax 多模态工具 lihanhong2002/dsh-minimax-multimodal

DSH MiniMax Multimodal

为 DeepSeek Harness (DSH) 提供 MiniMax 图像理解、文生图、语音合成和语音转写工具。插件使用 DSH 原生工具、会话文件系统、凭据和附件接口。

功能

| 工具 | 用途 | 默认模型 |
| minimax_understand_image | 读取会话工作区中的图片并回答问题 | MiniMax-M3 |
| minimax_generate_image | 根据文字生成一张图片 | image-01 |
| minimax_speak | 将文字合成为 MP3 | speech-2.8-turbo |
| minimax_transcribe_audio | 将音频转成文字 | asr-1.0 |
| minimax_list_voices | 列出可用的系统语音音色 | MiniMax 音色目录 |

图片生成和语音合成成功后，插件自动把文件登记到 DSH 的交付记录，显示在回复下方的文件卡片中，无需模型另行调用 present。卡片的预览样式由 DSH 客户端决定。

M3 用于图像理解，图片和音频生成由独立的 MiniMax 模型完成。本项目目前不提供视频理解或生成、音乐生成、音色克隆、录音按钮或实时语音通话。

安装

在 DSH 桌面端插件管理器中添加本地插件目录。若通过桌面端配套的 CLI 安装，可使用：

dsh plugin --profile desktop add 'link:<插件目录的绝对路径>'

插件要求支持原生工具和文件交付接口的 DSH 桌面端版本。安装后在插件管理器中启用 dsh-minimax-multimodal。

配置密钥

在 DSH 凭据设置中配置 MiniMax 国内站 API Key，并提供凭据引用 MINIMAX_CN_API_KEY。插件通过宿主凭据服务读取密钥；也可在宿主环境中设置同名环境变量。

插件不需要把 API Key 写入源码、配置补丁、对话或仓库。已暴露的密钥应在 MiniMax 控制台撤销并重新生成。不要提交 .env、凭据文件、会话记录或真实接口探测结果。

使用示例

在 DSH 对话中提出自然语言请求，例如：

- “用 MiniMax 生成一张 16:9 的海边夕阳图片。”
- “用 MiniMax 把这段文字读成 MP3：你好，世界。”
- “用 MiniMax 看一下 images/screenshot.png，解释这个报错。”
- “用 MiniMax 把 recording.mp3 转成文字。”

识图和转写工具读取会话工作区中已有文件，遵守 DSH 文件系统权限。识图文件上限 10 MiB；音频上限 50 MiB，ASR 最长 500 秒；语音合成每次最多 3000 个字符。API 权限和可用模型由 MiniMax 账户决定。

开发

需要 Node.js 22 或更新版本。项目不依赖第三方 npm 包。

npm test
npm pack

MIT License，见 LICENSE。