本地语音转写 try-works/dsh-stt

dsh-stt

为 DeepSeek Harness Web 输入框提供多模型本地语音识别。

麦克风按钮出现在模型选择器和 Send 之间。点一下就能开口说话 —— 你停下说话约一秒后，录音自动结束，转写文本插入草稿供你检查。用哪个端侧模型转写由你决定，你不选就不会下载任何东西。

识别器在你开始录音时加载，而不是结束时，所以等待时间藏在你说话的过程中，而不是说完之后。

模型

| 选择 | 大小 | 语言 | 说明 |
| Whistle（Cactus Compute） | 18.4 MB | 7 种，自动检测 | 默认；30 ms 加载，约 116 MB 内存 |
| Voz（Desert Ant Labs） | 约 390 MB | 25 种 | 准确率更高；预热时约 1 GB 内存 |
| SenseVoice | — | — | 即将推出 —— 只做展示，不下载任何内容 |

两个可用模型都在 Windows 上做了端到端实测，各自正确转写了一段 7.62 s 的音频：Whistle 用时 1.52 s、占用 116 MB，Voz 用时 2.39 s。

安装

本包是随附语音 bundle 的 rider：那个 bundle 提供麦克风 UI 和语音服务，本包负责添加模型。两个都要装，按这个顺序 —— 层按列表顺序生效，同一行 id 由后面的层胜出：

The voice-bundle version MATTERS: plain add resolves the npm latest tag
(0.1.7-alpha.1), which does not match a DSH 0.2.0-rc.2 runtime. Pin yours.
dsh plugin --profile web add @deepseek-ai/dsh-experimental-voice-input-bundle@0.2.0-rc.2
dsh plugin --profile web add @try-works/dsh-stt

从本地检出安装而不是从 registry 安装，方式一样： dsh plugin --profile web add /path/to/dsh-stt。

然后打开 Settings → Plugins → Voice Input，挑一个模型。选择器会列出每个模型及其大小和耗时预估；Download and prepare 只拉取你选中的那一个。

配置

cordis.patch.yml 承载全部配置。每个模型是 providers 下的一个键：

providers:
whistle-local:
enabled: true
voz-local:
enabled: false # keep 390 MB out of the picker entirely
sensevoice-local:
enabled: true # placeholder only

| 字段 | 含义 |
| enabled | 设为 false 会阻止服务商注册 —— 它不会出现在列表里，不会被选中，也不会被下载 |
| modelRoot | 该模型文件的存放位置；默认为 <dataRoot>/<key> |
| id | 覆盖服务商 id（高级用法；选择结果按 id 存储） |
| name | 覆盖选择器中显示的展示名 |

dataRoot 必填，且必须是绝对路径。

录音如何结束

静音门限会监视麦克风电平。在听到 300 ms 语音之前，什么都不会停止，所以一段咳嗽声或关门声不会在你还没开口前就结束录音；开口之后，1.2 秒的安静才会结束录音。Stop 按钮仍然在，按 Escape 或切走会取消并丢弃。

因为需要麦克风电平，插件自带浏览器端那一半，并以低于内置麦克风的优先级注册进 composer 槽位，所以内置麦克风不再渲染。等待消失也是这个原因：录音一开始，同一半就请求宿主加载模型。

架构

src/index.js register every enabled provider
src/config.js schemastery configuration
src/provider-kit/
http.js resumable download (see below)
preparation.js disk inspection + the state the UI renders
oneshot.js one process per recording
worker.js one warm process, idle-reclaimed
src/providers/whistle/ one-shot: needle.exe per recording
src/providers/voz/ warm worker holding the model
src/providers/sensevoice/ placeholder: advertises, never downloads

两种刻意选择的引擎策略

Whistle 每次录音跑一个进程。它的引擎加载 16.9 MB 模型只要约 30 ms，所以每次请求都付这个代价，换来真正的崩溃隔离和自动内存回收。它还顺带满足了引擎那条每种类型只能有一个进程级全局模型的规则。

Voz 跑成常驻 worker，因为它的加载要花 6.2 s、约 1 GB；子进程在多次录音之间保留，闲置五分钟后释放。

为什么模型由我们自己下载

Voz.load() 下载那 384,832,967 字节时，每个文件只发一次 fetch，不重试、不续传、不设超时。在真实网络下，最大那个文件下到 37.5% 就失败了，续传重试又断了三次。所以 preparation 会先用可续传的 Range 下载把 Voz 的缓存填好，之后 Voz.load({ cache: true }) 直接采用这些文件，不再发起网络请求。

限制

- 只插入，不发送。 转写文本落进草稿框，由你按 Enter。绝不会替你发送任何消息。
- 麦克风 UI 用的是内置那套。 本包只提供 provider，因为选择器绑定的是内置语音包的详情页。
- SenseVoice 只是挂了个名，没有真正交付。 它的条目无法下载；见 src/providers/sensevoice/index.js 里的交接说明。
- 录音上限是接缝的默认值：每次录音 4 MB、120 s。Whistle 的引擎每次调用只接受 30 s，所以更长的录音会在附近最安静的时刻切开，分段转写后按顺序拼接。无需配置；45 s 语音大约花 12 s 推理。
- 本地指的是宿主机器，它可能离你的浏览器很远。