语音输入 likhonmain/voice-input

DeepSeek Harness 语音输入

为 DeepSeek Harness (DSH) 打造的功能丰富、高性能的语音录制与转写插件。它把简洁的麦克风图标直接放在输入栏的模型选择器旁边，让你录音、暂停、回听，再用任意 OpenAI 兼容 API 或多模态模型（比如 gemini-3.8-flash-high）把音频转写成文字，填进消息草稿。

✨ 功能

- 工具栏集成：停靠在输入工具栏的模型选择器旁边，不会跳到输入行的别处。
- 多种 AI 引擎 / 服务商：
- 保存并管理多个转写后端（例如 Gemini 3.8 Flash Proxy、OpenAI Whisper、Groq、本地 vLLM）。
- 每个引擎都有自己的显示名称、服务商 API Base URL、API Key 和模型 ID。
- 通过工具栏上的快速切换芯片或设置弹窗，即时切换当前引擎。
- 轻松添加、编辑、删除服务商引擎。
- 宿主机磁盘永久持久化：凭据和服务商配置档保存在本地磁盘（%APPDATA%\dsh-desktop\voice-input-config.json），并与浏览器同步，重启和端口变化后依然保留。
- 一键录音：点击麦克风图标立即开始录音。
- 实时录音计时器：实时显示已用时间（MM:SS），并带录音指示。
- 暂停与继续：随时暂停录音，从停下的地方继续。
- 音频回放与试听：发送前先听听录了什么。包含播放、暂停播放、停止播放控件。
- 丢弃 / 取消：任意阶段一键丢弃录音。
- 直接发送：录音中或试听时点击 Send。音频会在浏览器里转成标准 16kHz 单声道 WAV，再转发给当前服务商引擎。
- 自动插入草稿：转写文本自动插入你的对话草稿。
- 防崩溃保护：
- 转写请求失败时（HTTP 429 配额耗尽、网络问题或代理超时），原始音频自动保存到项目文件夹下的 Crashed Recording/ 目录，你的语音永不丢失。
- 转写成功时，音频自动丢弃，磁盘保持干净整洁。
- 另外，试听模式下工具栏始终提供显式的下载按钮（⬇）。
- 交互式设置弹窗：简洁的居中弹窗，支持显示/隐藏 API key、管理服务商，按 Escape 键关闭。

📦 包含什么，不包含什么

包含：

- 客户端 Web UI 模块（client.js）：纯 JavaScript 组件，挂载到 conversation.input.activity 插槽，管理录音、计时器、回放、引擎切换和设置弹窗。
- 宿主后端服务（index.js）：轻量 Node.js 服务，托管 /api/voice-input/transcribe 和 /api/voice-input/config，负责磁盘持久化，并把音频转发到你的 OpenAI 兼容端点。
- 多模态与 Whisper 回退：同时支持带 input_audio 的 OpenAI Chat Completions（例如 Gemini 3.8 / GPT-4o 多模态模型）和传统的 /v1/audio/transcriptions（Whisper 端点）。
- 桌面麦克风启用工具（enable-desktop-mic.cjs）：在 Windows 上自动给 DeepSeek Harness Desktop Electron 应用打补丁，授予媒体/麦克风访问权限。

不包含：

- 不含 API 密钥或私有 URL：默认不打包任何 API 密钥或后端 URL。你必须在设置弹窗里填写自己的服务商端点和凭据。
- 不含重量级原生依赖：使用浏览器原生 Web Audio API（AudioContext、MediaRecorder）和 Node.js 标准内置模块（fetch、Buffer、Blob、fs）。

🎙 转写系统指令

通过多模态 LLM（例如 gemini-3.8-flash-high）转写语音时，后端会应用这条转写指令：

"You are an expert transcriber and translator. Translate or transcribe the exact meaning of the audio into clean English. Remove any spoken filler words, stutters, repetitions, and hesitation marks (like 'um', 'uh', 'you know'). Do NOT add any summaries, conversational responses, or formatting. Output ONLY the raw, clean translated text."

🛠 DeepSeek Harness Desktop 应用：麦克风权限修复

如果你在用 DSH Desktop（Windows Electron 桌面应用），可能会遇到： Microphone access denied or unavailable: Permission denied

为什么会这样：

DeepSeek Harness Desktop 是 Electron 应用。在主进程（out/main/index.js）里，它执行严格的权限检查： function canGrantWindowPermission(permission, requestingUrl, isMainFrame) {
return (permission === "clipboard-sanitized-write" || permission === "notifications") && ...
}
因为白名单里漏掉了 media（麦克风）权限，Electron 会在 Windows 还没看到请求之前就自动拒绝所有麦克风请求。结果就是，DeepSeek Desktop 从不弹出麦克风访问提示，也不会出现在 Windows 隐私设置里。

怎么修复（自动）：

本仓库提供自动补丁脚本：enable-desktop-mic.cjs。

1. 关闭 DSH Desktop。
2. 在终端运行补丁脚本：
node enable-desktop-mic.cjs

脚本会自动创建备份（app.asar.bak），并给 app.asar 打补丁，把 media 加入权限检查。
3. 确认 Windows 桌面麦克风访问已开启：
- 打开 Windows 设置（Win + I）→ 隐私和安全性 → 麦克风。
- 确认 麦克风访问 已 开启。
- 确认 允许应用访问你的麦克风 已 开启。
- 滚动到底部，确保 Let desktop apps access your microphone 处于 开启 状态。
4. 重新启动 DSH Desktop。

🌐 网页浏览器访问

你也可以直接在任意网页浏览器里使用 DeepSeek Harness（Google Chrome、Microsoft Edge、Brave、Firefox）：

1. 找到本地 Harness 端口（启动 DSH 时会显示，通常是 http://127.0.0.1:43129 或类似地址）。
2. 在浏览器里打开这个 URL。
3. 点击麦克风图标——浏览器会弹出标准权限提示： "127.0.0.1 wants to use your microphone: [Allow] [Block]"
4. 点击 Allow。

🚀 安装到 DeepSeek Harness

1. 把这个仓库克隆或复制到你的工作区或插件目录：
git clone https://github.com/likhonmain/voice-input.git

2. 用 Harness Plugin Manager 或命令行安装这个 bundle：
- 在 DSH 聊天里：让智能体从这个文件夹路径安装 bundle dsh-voice-input。
- 或者通过 profile manifest 安装。

3. 点击输入栏里麦克风图标旁边的 ⚙（齿轮） 图标，打开 Settings：
- 配置一个或多个 AI Engines，填好各自的 Provider API Base URL、API Key 和 Model ID。
- 选择哪个引擎处于 Active 状态。
4. 点击 Save All Engines，然后开始说话！

📄 License

MIT License。随意使用、修改和分发。