qishuilalala/dsh-voice-mode

dsh-voice-mode

DeepSeek Harness 全双工语音插件 —— 边说边出字 · 按句朗读 · 开口即打断

dsh-voice-mode 全双工语音对话

全双工对话闭环：声音 → 文字 → 声音

DeepSeek Harness 的全双工语音模式 —— 在会话内用语音完成整轮对话：说话时边说边出字、停顿后自动发送；回复按句朗读并跟随实时字幕；朗读中开口即打断。识别在本地推理、无需 API Key；朗读默认 Edge 云端（快且自然），本地 VITS / Kokoro 可选（隐私优先）。兼容 dsh 0.1.1-rc.2 起全版本（已在 0.1.1-rc.2 / 0.1.2-rc.1 / 0.1.5-alpha.2 / 0.1.5-rc.2 / 0.1.6-alpha.2 五版本真实 LLM 端到端验证）。380 项测试全绿（28 套件）；当前版本见上方 npm 徽章与 Releases。

💡 它是什么

在 DeepSeek Harness 的会话里，点一下麦克风就能用语音完成整轮对话：

- 🎤 你说 —— 一边说一边实时出字（流式识别），停顿约 1500ms 自动发送；
- 🔊 它答 —— 最终回复按句朗读，全程实时字幕跟随；
- ⏸️ 随时打断 —— AI 还在朗读时开口即打断，你的话直接被听见。

零 API Key：识别在宿主端本地推理（zipformer2 流式 + SenseVoice 定稿）；朗读默认 Edge 云端（快、自然），可选本地 VITS 纯中文 / Kokoro 中英混读（回复文本不出本机，隐私优先）。

🤔 为什么值得用（3 个真痛点）

| # | 痛点 | 我们的应对 |
| --- | --- | --- |
| 1 | 字幕看不清 —— 字小、窄屏被输入框挡住 | captionFontSize 4 档（12/14/18/24px）+ captionMaxWidth 3 档（50/70/90vw） |
| 2 | 让位误打断 —— AI 朗读时插一句「嗯/对」就被硬打断 | backchannelYield 让位语义：短词自动让位 1.5s，真要说走才硬打断 |
| 3 | 本地 TTS 太机械 —— 一句话读完停顿 3-5 秒 | 本地 VITS / Kokoro 原生 addon + epoch 队列管理，按句流式朗读、句间无停顿 |

✨ 功能（按用户价值）

1. 🎙️ 识别准 —— SenseVoice 多语种定稿 + ITN（数字/日期/货币自动规范化）
2. 🗣️ 不说错 —— 唤醒词待机、唤醒词前缀语气词白名单（嗯/那个 不再误触）
3. 🤝 让位 —— 让位语义 + 三档打断灵敏度（interruptLevel），外放也能精准打断
4. 💬 有感情 —— 本地 Kokoro 103 音色 + Edge 322 音色，行内可试听；分段朗读不漏句
5. 👁️ 字幕 a11y —— 4 档字号 + 3 档宽度，浅色主题变量跟随 dsh 主题

🎬 Demo

语音模式真实录制：流式转写 → 自动发送 → 按句朗读 + 实时字幕

上方为当前界面的真实录制（由 screenshots/scripts/capture-demo.mjs 驱动真实链路产出，非 UI 摆拍）；下图为静态总览。

dsh-voice-mode 全双工语音体验

真实录屏脚本见 demos/RECORDING-SCRIPT.md（60s/30s/15s 三段脚本）。
真机截图清单见 screenshots/MANIFEST.md（10 张）。

🚀 5 分钟上手（Quick Start）

dsh plugin --profile web add dsh-voice-mode
systemctl restart dsh   # Linux；其他平台重启 dsh 进程

第一次用：
1. 进入任一会话，按 Ctrl+Shift+V（或点输入区麦克风按钮）进入语音模式，状态条显示「聆听中…」；
2. 说一句完整的话（如「帮我看看今天的天气」）→ 实时字幕立即出现，停顿后自动发送；
3. AI 回复开始朗读时，开口说话 → 朗读即刻停止，你的话被听见（这就是 barge-in）。

操作手势

| 手势 | 作用 |
| --- | --- |
| Ctrl+Shift+V | 进入 / 退出语音模式 |
| 直接说话（toggle） | 边说边出字，停顿 1500ms 自动发送；按住 Ctrl 强制立即发送 |
| 按住麦克风按钮（hold） | 松手发送；短按退出；滑出 / Esc / 失焦放弃本段 |
| 点输入框旁模式按钮 | 在「持续聆听 ⇄ 按住说」间切换（保存到设置） |
| AI 朗读时开口说话 | 打断朗读并取消当前回合 |
| 点状态条「退出」 | 退出语音模式 |
| 点字幕浮层「跳过」 | 跳过当前句朗读 |

⚙️ 配置（4 新设置字段 + 3 默认值微调）

设置 → Plugins → 插件配置 → 语音模式（voice-mode）。

4 新设置字段（11 批次周全修复落地）

| 你想调什么 | 改哪个键 | 默认 | 说明 |
| --- | --- | --- | --- |
| 逆文本归一化 | senseITN | true | SenseVoice 数字/日期/货币规范化（默认开，关掉保留原文） |
| 字幕字号 | captionFontSize | 0 | 档位 0=12px / 1=14px / 2=18px / 3=24px |
| 字幕宽度 | captionMaxWidth | 1 | 档位 0=50vw / 1=70vw / 2=90vw |
| 让位语义 | backchannelYield | true | 朗读期说「嗯/对」自动让位 1.5s，真要说走硬打断（ADR-0008） |

3 默认值微调（批 J）

| 字段 | 旧 | 新 | 理由 |
| --- | --- | --- | --- |
| rate | 1.0 | 1.1 | Edge 默认略慢，统一提速 10% 改善体验 |
| idleTimeoutMinutes | 10 | 5 | 空闲退出更灵敏（朗读仍计为活动） |
| interruptLevel description | 旧描述 | 新描述 | 明确「3/2/1 帧确认」机制 |

字段名零变化，旧 ~/.dsh/settings.yaml 100% 兼容。

完整 19 项设置表见 plugin/dsh-voice-mode/README.md。

🏛️ 架构（Architecture）

flowchart LR
subgraph Client["浏览器 Client"]
Mic[麦克风 16kHzAudioWorklet] --> VAD[客户端 VADRMS 分段]
VAD -->|partial 0.9s| PC[partial 出字 + 字幕浮层]
end

subgraph Host["宿主 dsh.host"]
ASR[zipformer2 流式识别host 端 WASM] --> SV[SenseVoice 定稿+ ITN + 标点]
SV --> Draft[composer draftautoSend]
Draft --> Tap[llm/stream tap仅观察·不阻塞]
Tap --> Seg[sentence segmenter]
Seg --> Q[TtsQueueepoch 打断]
Q --> TTS{引擎}
TTS -->|edge| Edge[Edge 云端]
TTS -->|vits| Vits[本地 VITSWASM]
TTS -->|kokoro| Kokoro[本地 Kokoro原生 addon]
end

PC -->|audio f32 PCM| ASR
Edge -.->|SSE audio frame| PC
Vits -.->|SSE audio frame| PC
Kokoro -.->|SSE audio frame| PC
VAD -.->|唤醒词/打断| Host

dsh-voice-mode 架构图

详细架构决策：见 docs/adr/ 8 个 ADR。

🔍 与 dsh 内置语音模式对比

| 维度 | dsh 内置 | dsh-voice-mode（本插件） |
| --- | --- | --- |
| 识别模型 | 云端 API（需 key） | 本地 zipformer2 + SenseVoice（零 key） |
| 多语种 | 英文为主 | SenseVoice 自动识别（zh/en/ja/ko/yue）+ ITN |
| 朗读引擎 | 云端 TTS | Edge 云端 + 本地 VITS/Kokoro 三选一 |
| 打断检测 | 基础 VAD | 三档灵敏度 + 回声门控 + 让位语义 |
| 热词偏置 | 无 | 无（已移除） |
| 字幕 a11y | 无 | 4 档字号 + 3 档宽度 + 主题跟随 |
| 唤醒词 | 无 | 轻量流式匹配 + 前缀语气词白名单 |
| 兼容 dsh | — | 0.1.1-rc.2 → 0.1.5-rc.2 全版本（+ 0.1.6-alpha.2 预览） |

🛠️ 故障排查

| 现象 | 处理 |
| --- | --- |
| 点麦克风无反应，状态条红字 | 浏览器拒绝麦克风：地址栏（iOS 为 设置 → Safari → 麦克风）开启后重试 |
| 状态条「正在加载模型… x%」卡住 | 检查网络；模型较大可先 npm run prefetch；国内网络 modelHost 配 https://hf-mirror.com |
| 朗读无声音 / 无字幕 | 本地引擎首次合成需加载模型；若持续失败看状态条提示（自动退避重试）；确认页面前台且未静音 |
| 语音模式进不去 | 检查插件 enabled；多标签页时确认当前会话为活动会话 |
| 识别到但不是我要说的 | 环境噪声：降低音量或提高 interruptLevel（高门槛） |
| 打不断（朗读中开口无反应） | 调高 interruptLevel（更敏感档）或检查麦克风权限；不要调 echoGateDb——原生 AEC 生效时它从未被执行（详见 ADR-0006） |
| 字幕被输入框挡住 | 默认 captionMaxWidth=1（70vw）+ captionFontSize=0（12px）在窄屏可能与底部输入框重叠；调整档位，或关闭语音模式后点状态条浮层右上角「×」收起 |
| 让位行为异常（朗读期说「嗯」不停 / 真话被打断） | 「嗯/对」类短词触发让位 1.5s（hold）后继续朗读；继续说真话会走硬打断；如不要让位语义把 backchannelYield 关闭即可恢复改造前行为（ADR-0008） |
| 朗读期说「嗯」没让位 | 确认 backchannelYield=true（默认开）；hold 模式松手后让位 1.5s 内继续说话会变硬打断 |
| 空闲 5 分钟自动退出（不想退） | 调高 idleTimeoutMinutes（默认 5 分钟，朗读计为活动） |

已知限制：Ctrl+Shift+V 会覆盖浏览器「粘贴纯文本」快捷键（普通粘贴仍用 Ctrl+V）；识别为简体中文优先；Safari / iOS 需 HTTPS 或 localhost、首次需授权麦克风、后台 / 锁屏会暂停识别与朗读。

🛣️ 路线图（Roadmap）

完整 backlog（43 项 P0-P3）见 docs/competitive/backlog.md。

- ✅ 已完成（v0.7.7）：11 批次周全修复（字幕档位 / 让位语义 / 模型预热 / 默认值微调 / 死代码清理等）
- 🚧 P0（近期）：ADR-0003 VAD 下沉 / ADR-0006 第一级探测接通 manual / F1 emotion DSL 全量上线
- 📋 P1（中期）：MCP voice_* 工具集 / 卡片表单 draft validate / 状态条 idle 优化
- 💡 P2（远期）：声音克隆（用户已决定推迟）/ ADR-0004 WebSocket transport
- ⏸️ 已推迟：xAI fallback / C1 人格层（用户已决定推迟）

📚 文档

| 文档 | 说明 |
| --- | --- |
| 完整使用说明（中文） | 功能 / 手势 / 设置 / 配置 / 已知限制 / 故障排查 |
| English docs | Same, in English |
| docs/ 索引 | 架构决策 / 实施计划 / 真机验收 / 规则 / 调研 / 竞品 |
| 60 天迭代博客 | 从 91 到 254 项测试的故事（现为 380 项） |
| CHANGELOG.md | Keep a Changelog 格式 |
| RELEASE-NOTES.md | 60 天时间线 |

🤝 Contributing / 📄 License / 🙏 Acknowledgments

License: MIT

Contributing: PR 欢迎，但请先读 docs/adr/ 8 个 ADR + CONTEXT.md + docs/rules/STATE.md。

Acknowledgments：

- 上游：haoku123/dsh-voice（派生声明见子包 LICENSE）
- 核心依赖：sherpa-onnx（Apache-2.0，本地 ASR / VITS / Kokoro 推理）/ msedge-tts（Edge 云端 TTS）
- 测试支持：awesome-dsh-plugin（收录到精选列表）
- 11 批次周全修复参与贡献者：见 docs/rules/STATE.md § 批次进度表

📌 项目维护：仓库遵循「外科手术式改动」纪律 —— 不顺手优化、不重构无关代码、不强推发布历史；每个 commit 单一职责，便于审查与回滚。详见 CONTEXT.md。