victorwads/dsh-live-voice

DSH 实时语音

npm version
DSH
License: Apache-2.0

一款为 DeepSeek Harness (DSH) 打造的本地优先、免手动语音助手插件。
诞生于巴西 🇧🇷，每天在 macOS 上用巴西葡萄牙语进行测试。

开口说话、聆听回应、回答问题并编写代码，全程无需触碰键盘。DSH 实时语音将语音转文本（STT）和文本转语音（TTS）协调为单一、无冲突的对话流程。

⚡ 快速开始

使用 npx dsh 将插件安装到你的 DSH web 配置中：

npx dsh plugin add --profile web dsh-live-voice

下次启动 DSH 后，打开 DSH 设置 → 实时语音。

🌍 界面语言

DSH 实时语音的插件界面已翻译为以下语言。此处指的是可见的插件 UI——而非语音识别或文本转语音的语言支持。

- 🇺🇸 英语
- 🇧🇷 葡萄牙语（巴西）
- 🇪🇸 西班牙语
- 🇫🇷 法语
- 🇮🇳 印地语
- 🇨🇳 中文

📚 文档

深入了解引擎与配置的详细指南：

- ⚙️ 配置与对话流程指南 — 设置概览、扬声器与耳机模式、时序图、静音延迟以及外部引擎设置。
- 🧠 选择语音识别引擎 — 浏览器 STT、Qwen3 ASR 与 Whisper 之间的对比，包括内存占用和操作系统兼容性。
- 📖 项目背后的故事 — 为什么要构建这个项目，以及协调语音背后的人文故事。

🎯 我应该使用哪个语音引擎？

| 场景 | 推荐 | 内存 | 原因 |
| --- | --- | --- | --- |
| 🇧🇷 macOS 上的葡萄牙语 | Qwen3 ASR (HTTP API) | ~3 GB | 维护者日常使用中准确率最佳。Whisper 是第二选择。 |
| 🇺🇸 macOS 上的英语 | 浏览器 SpeechRecognition | ~0 GB | macOS/浏览器内置 API。速度快，零额外内存。 |
| 🪟 Windows | Qwen3 ASR 或 Whisper HTTP | ~2–3 GB | 推荐的起点；Windows 浏览器 STT 表现参差不齐。 |
| 🌐 多语言 / 其他 | Whisper HTTP (auto) | ~2 GB | 跨数十种语言的自动语言检测。 |

👉 关于模型要求和服务器设置，请参阅选择语音引擎。

✨ 功能一览

- 🎙️ 语音输入： 直接对着 DSH 编辑器说话，并实时显示临时转写内容。
- 👐 免手动对话： 跨聊天会话持续保持活跃的连续对话。
- ❓ 语音结构化提问： 朗读 DSH 提示问题，并提交你的语音回答。
- ⌨️ 按住说话（按键通话）： 在页面任意位置按住 Control 即可说话；松开即发送。
- 🎧 声学模式隔离： 针对扬声器的门控监听（无回声），以及针对耳机的开放麦克风打断。
- 🗣️ 语音命令： 使用 “send”、“mute”、“clear” 和 “stop speaking” 等短语控制聊天。
- 🧹 智能代码过滤： 自动跳过或总结大型代码块，而不是朗读出语法。
- 🏠 本地优先与隐私： 音频在你的机器上本地运行（通过浏览器 API、Apple MLX 或 whisper.cpp）；无外部语音遥测。
- 🌐 支持远程的主机音频： Qwen 和 macOS Say 在 DSH 主机上合成，然后 DSH 将紧凑的音频传输到你的浏览器——因此播放可通过远程和局域网连接正常工作。

🧑‍💻 即将推出：会议模式

会议模式 是为协作编码对话规划的一项差异化功能。它将在 DSH 编辑器中保留两个独立的实时转录流：你的麦克风作为 “Me:”，来自明确共享的屏幕/系统音频流的会议参与者作为 “Them:”。这会创建代码审查或技术讨论的可编辑实时记录，因此你可以在会议上下文已存在于编辑器中的情况下，手动向 DSH 提问。

它绝不会自动发送转录内容，也不会将会议音频用于语音命令。共享系统音频始终需要明确的浏览器权限，并取决于浏览器和操作系统的支持。

🤝 致谢与社区

倾听和说话应该协同工作。衷心感谢 GooDAnDReaDY 的 dsh-voice 以及 Alan2Z 的 dsh-speak，它们启发了这个统一的协调器。阅读完整故事。

我每天使用 DSH Live Voice 至少 8 小时。欢迎反馈、想法和贡献：
- 提交 Issue
- 发送 Pull Request

📄 许可证 Apache-2.0