本地语音桥接 naili0712/dsh-gsv-local

dsh-gsv-local

AI 辅助声明：本插件由 DeepSeek Harness 辅助创建—— 代码、文档与内置音色素材均在与 DSH 的会话协作中产出，由仓库所有者审核后发布。
使用前请自行验证是否适合你的环境。

把本机 GPT-SoVITS 接进 DeepSeek Harness 的语音插件。它是一层桥，不是一个完整的 TTS 引擎。

装上之后：DSH 启动 → 它顺手把引擎拉起来 → 我答完话，浏览器把那句该说出口的话合成成语音播出来 → DSH 关掉，引擎一起退出，显存还回去。

它解决什么

GPT-SoVITS 的 api_v2.py 只会说 /tts（自己的参数名），而 DSH 这边的 TTS 客户端只会说 OpenAI 的 /v1/audio/speech。两边方言不通。

这个插件做三件事：

1. 生命周期：跟着 DSH 起停，引擎不常驻，不白占显存
2. 翻译：在 9881 开一个 OpenAI 兼容端点，把请求翻成 GPT-SoVITS 的 /tts
3. 说话：浏览器侧盯住「一轮对话结束」那一刻，挑出该念的那一句去合成、播放

DSH 启动 ──► 插件 ──► 拉起 api_v2.py (9880) └──► 监听 9881（OpenAI 兼容） ▲ 一轮对话结束 ──► client.js ──────┘ 挑一行、合成、播放 DSH 关闭 ──► 插件 ──► taskkill /T /F，引擎连带子进程一起退出

它不是

- 不是一个能独立工作的语音合成器。没有 GPT-SoVITS 运行时，它什么也念不出来。
- 不打包任何模型权重。几十 GB 的东西不该塞进 git。
- 不负责听写。听写请用 DSH 自带的语音输入插件。

安装

从 GitHub（推荐）

git clone https://github.com/naili0712/dsh-gsv-local.git D:/app/dsh-gsv-local
dsh plugin --profile <你的 profile> add D:/app/dsh-gsv-local

⚠️ clone 下来的目录不要删。 dsh plugin add <本地目录> 装的是链接（Windows 上是 junction），不是复制。
删掉源目录，插件当场断掉，报错还看不出原因。别 clone 到临时目录。

从 profile 目录

dsh plugin add dsh-gsv-local

装完重启 DSH。

装完自检

node <clone 目录>/scripts/setup.mjs

它会逐项告诉你缺什么。正常情况下只有 runtimeDir 一项待补 —— 参考音色是包内自带的，不用你准备。

配置（只有一项必填）

装完只要能说话，你只需要填 runtimeDir。参考音频和台本都不用准备 ——包里自带三段默认音色，第一次启动时自动解压到 ~/.dsh/gsv-local/voices/。

编辑你的 profile 的 cordis.patch.yml，按 id: gsv-local 覆盖：

- id: gsv-local
config:
runtimeDir: 'D:/path/to/GPT-SoVITS' # 唯一必填：含 api_v2.py 的目录

想换音色就加一行（ja 默认 / female / male）：

voice: male

要换成自己的声音，才需要这两个，而且必须成对：

refAudio: 'D:/path/to/voice.wav' # 8–10 秒单人干净录音 promptText: '参考音频里逐字说的那句话' # 差一个字音色就漂

| 字段 | 说明 |
| runtimeDir | ★ 唯一必填。GPT-SoVITS 运行时根目录，里面要有 api_v2.py 和 runtime/python.exe |
| voice | 内置音色：ja（默认，日语）/ female / male（后两个是中文）。填了 refAudio 就忽略它 |
| refAudio | 留空 = 用内置音色。填自己的：8–10 秒单人干净录音 |
| promptText | 留空 = 用内置台本。填自己的：refAudio 里逐字说的内容，必须一字不差 |
| promptLang | 参考音频的语言（zh / ja / en），默认 ja |
| textLang | 合成文本的语言，默认 ja |
| enginePort | 默认 9880 |
| proxyPort | 默认 9881 |

内置音色是哪来的

三段都不是真人录音，完整来源与定性见 assets/default-voice/NOTICE.md。

- ja（默认，9.68 秒日语）：本仓库用 GPT-SoVITS 生成的，音色参考自一段第三方素材。它是演绎物，不是「无版权素材」——自身很可能无著作权，但音色来源的权利人仍在。
- female / male（约 6 秒，中文）：由 MOSS-VoiceGenerator（Apache-2.0）按文字描述合成，未参考任何人的录音，来源链条最短。

要完全干净的来源，请用后两个，或自己录一段。三段都只作默认参考音色，不用于训练任何模型。

关于语言的坑

textLang 必须和你要念的文本语言一致。用日语模型念中文，汉字会被读成音读 —— 念出来不像日语，像机器出错。

这也是为什么 client 只念 〔声〕 那一行：见下。

运行时从哪来

GPT-SoVITS 本体请从上游取：

- 项目主页：<https://github.com/RVC-Boss/GPT-SoVITS>
- 权重（s1v3.ckpt、gsv-v5-pretrained/s2Gv5*.pth）在上游 releases / HuggingFace

配置里的 runtimeDir 指向任何一份能跑 api_v2.py 的安装即可。它不必和本插件同目录。

仓库里附了一个 scripts/setup.mjs，用来检查配置是否指向一个真能跑起来的运行时：

node scripts/setup.mjs

它只做检测和报告，不下载大文件 —— 几十 GB 的运行时该由你决定装在哪、用哪个版本。

说什么由谁决定

浏览器侧不念整篇回复。它只认一行：

〔声〕これで、ちゃんと喋れるよ。
〔译〕这样就能好好说话了。

- 〔声〕 那一行被送去合成，其余一律不念
- 〔译〕 是给人看的，不参与合成
- 没有 〔声〕 行 → 这一轮不出声

这条约定是刻意的：三分钟的路径、表格和数字读出来只是噪音；而日语模型也念不了中文正文。

已知限制

- 只在 Windows 上验证过（taskkill /T /F、windowsHide）。理论上 macOS / Linux 可行，但没测。
- 引擎加载约 20–30 秒。这段时间 DSH 已经能用，只是第一句话要等。
- DSH 如果是崩溃退出而不是正常关闭，引擎进程可能残留。下次启动时插件会检测端口，已在跑就直接复用，不会起第二个。
- 参考音频的质量直接决定音色像不像。没有第二次机会。

许可

MIT。client.js 里挑选发声行的规则思路参考了社区里同类插件的做法，实现是独立的。