语音听写 liznee/dsh-speech-input

dsh-speech-input

dsh-speech-input 给 DeepSeek Harness Web 输入框加了一个原生麦克风按钮。点一下开始听写，识别结果实时写进当前草稿；再点一下停止，并补全句末标点。插件不会自动发送消息。

特性

- 使用官方 conversation.input.right 插槽，不查询也不改写 Harness DOM
- 支持 Chrome / Edge 的 Web Speech API，中英文跟随浏览器语言
- 中间识别结果原位更新，不会反复叠加同一句话
- 听写期间在识别文字后手工补写的内容会保留
- 无语音、停顿或浏览器结束单次识别时会持续自动续听；持续 5 秒没有检测到说话会自动停止（断开）并保留已听写文字。时长可在 src/client/index.js 的 DEFAULT_SILENCE_TIMEOUT_MS 调整，设为 0 可关闭自动停止
- 听写中按 Enter 立即停止并保留已听写文字（补好句末标点），再按一次 Enter 即可发送
- 听写中显示「椭圆胶囊」：左侧圆环取消 ×｜实时音量条｜右侧五根音量条（从左到右依次呼吸动效）停止，采用 Codex 风格，不使用红色录音状态
- 听写下整个胶囊与左侧 +、权限图标保持在同一行，不会挤成多行
- 音量条通过 Web Audio API 在本地计算麦克风 RMS 音量，展示最近 16 个真实音量样本，不使用循环假动画
- 听写期间 Harness 的发送按钮和 Enter 发送会由官方接口置灰禁用；停止或取消后恢复
- 点击取消会移除本轮语音产生的全部文字，并保留开始听写前的草稿与可识别的手工追加内容
- 权限、麦克风或网络硬错误会给出明确提示
- 页面切换或插件卸载时中止识别并释放麦克风
- 支持键盘焦点、屏幕阅读器状态播报和减少动态效果偏好
- 纯浏览器插件，不需要额外 API key、服务端或模型下载

更新日志

- v0.2.3（2026-08-29）：听写中按 Enter 立即停止录音并保留草稿（补标点），任意位置生效；停止键五根音量条改为「从中心向上下对称放大」的依次呼吸动效，不再缩小/截断。
- v0.2.2（2026-08-29）：听写胶囊加长、波形铺满左右，且整行保持一行不挤占左侧 +/权限图标；停止圆环改细改淡与取消键一致。
- v0.2.1（2026-08-29）：静音自动停止默认改为 5 秒；听写胶囊重做——椭圆描边+阴影、端头曲率与圆形按钮一致、线条加粗更清晰；停止按钮改为「五根音量条」图标；取消与停止改为对称描边圆钮。
- v0.2.0（2026-08-27）：新增静音自动停止——持续不说话会自动结束并保留已听写文字，只按真实语音（文本变化或本地麦克风音量）续时。

完整历史见 CHANGELOG.md。

安装

直接从 GitHub 安装到 Harness Web profile：

dsh plugin --profile web add github:liznee/dsh-speech-input

仓库已提交预构建的 lib/，Git 安装不会执行构建脚本，也不需要在 pnpm-workspace.yaml 中授权 allowBuilds。安装或升级后重启 dsh web。

已发布到 npm，也可以直接安装：

dsh plugin --profile web add dsh-speech-input

本地 tarball：

npm ci
npm test
npm pack
dsh plugin --profile web add ./dsh-speech-input-0.2.1.tgz

隐私

插件本身不保存音频、不写日志，也不把音频发送给 Harness 或 DeepSeek。为了显示真实音量，插件会额外打开一条本地麦克风流，只连接到 Web Audio AnalyserNode 计算 RMS；不会播放、录制或上传该流，停止或取消时会立即关闭音轨。Web Speech API 的识别处理路径仍由浏览器决定：Edge/Chrome 通常会把识别音频交给浏览器厂商的在线语音服务。因此它不是离线识别；若不能接受该数据路径，请不要授权麦克风。

已知限制

- Firefox 当前没有可用的 Web Speech SpeechRecognition 实现，按钮会禁用。
- 识别质量、语言支持和服务可用性取决于浏览器及网络。
- 浏览器语言就是识别语言；首个版本没有独立语言设置。
- 插件只写草稿，绝不自动发送。

Model Experience

识别文字只通过 Harness 的公开 inputActions.setDraft() 写入普通草稿。模型看不到音频、识别状态或任何额外系统提示；只有用户最终发送的文字会进入模型上下文。

dsh-speech-input adds a native microphone control to the DeepSeek Harness Web composer. Click once to dictate into the current draft and again to stop. It never submits the message automatically.
它使用公开的 conversation.input.right、inputActions.setDraft() 和 composer-block API。监听时会显示灰色圆形取消控件、由本地测量的麦克风 RMS 驱动的全宽 24 段音量条，以及方形停止控件；宿主发送操作被禁用。取消会移除当前听写内容，同时保留原有草稿和可识别的手动后缀编辑。它还支持临时结果替换、上报权限和网络故障、在拆除时释放识别和本地测量轨道，并包含减弱动效和屏幕阅读器行为。检测不到语音 5 秒后会自动停止（类似手动停止，保留听写内容并显示简短提示）；可在 src/client/index.js 中调整 DEFAULT_SILENCE_TIMEOUT_MS，或设为 0 禁用自动停止。

直接从 GitHub 安装：

dsh plugin --profile web add github:liznee/dsh-speech-input

预构建的 lib/ 产物已提交，因此 Git 安装不会执行构建脚本，也不需要 pnpm 的 allowBuilds 授权。安装或更新后重启 dsh web。

已发布到 npm；可直接安装：

dsh plugin --profile web add dsh-speech-input

插件使用浏览器 Web Speech API。Edge 和 Chrome 通常会把麦克风音频发送给浏览器厂商的在线语音服务。插件不会存储音频，也不会把它发送给 Harness/DeepSeek，但它不是离线识别器。监听时按 Enter 可立即停止并保留听写内容；再按一次 Enter 发送。

更新日志

完整历史见 CHANGELOG.md。v0.2.1 重做了监听胶囊（椭圆环 + 阴影、端帽曲率与圆形按钮匹配、更粗的描边、五格音量停止图标、对称的描边取消/停止按钮），移除了波形基线，并将默认静音超时降至 5 秒；v0.2.0 引入了静音自动停止。

开发

npm ci
npm test
npm run test:coverage
npm run pack:check

开发需要 Node.js 20 或更高版本。构建后的客户端以 Harness 的惰性 CommonJS 模块工厂格式输出。

许可证

MIT。见 LICENSE 和 NOTICE。

项目链接

- 源码与问题反馈：https://github.com/liznee/dsh-speech-input
- DeepSeek Harness 插件打包指南：https://github.com/deepseek-ai/deepseek-harness/blob/master/docs/user/develop/basic/publish.md