千问语音转写 wsdfgf/dsh-qwen-asr

dsh-qwen-asr

千问语音转文字 DSH 插件。上传音频文件后自动调用千问官方 DashScope 接口转写，并把转写文本加入本轮对话；同时提供 qwen_transcribe_audio 工具，返回转写文本与千问接口的原始 JSON 输出。

English — Qwen speech-to-text plugin for DeepSeek Harness. Uploaded audio is transcribed with DashScope's async filetrans model (local file → temporary upload → task → result) or the inline sync model; the transcript joins the prompt and the qwen_transcribe_audio tool returns the raw API output.

- GitHub: <https://github.com/wsdfgf/dsh-qwen-asr>
- Releases: <https://github.com/wsdfgf/dsh-qwen-asr/releases>

默认使用异步长音频接口 qwen3-asr-flash-filetrans：本地文件先通过百炼临时存储上传（得到 oss:// 临时 URL），再提交异步任务、轮询任务状态、下载识别结果 JSON。单文件最大 1 GB（百炼临时存储上传上限；模型本身支持 2 GB / 12 小时），不再需要本地切分。

安装

- 从 Releases 下载 dsh-qwen-asr-1.2.0.tgz，在 DSH 侧边栏「插件」页面用「添加插件」选择本地目录或 tarball 安装。
- 或克隆本仓库后，在插件页以本地目录安装。
- 从旧版本升级后需要重启 DSH（新增的客户端配置页才会被加载）；首次安装后刷新一次页面。

功能

- 上传自动转写：聊天中上传 .mp3/.wav/.m4a/.aac/.ogg/.flac/.amr/.webm 等音频后， Host 在模型收到该消息前完成「临时上传 → 异步转写 → 下载结果」，把转写结果追加在附件句柄之后（不修改附件本身）。转写失败时追加失败说明，模型会如实告知。
- 原始模型输出：工具 qwen_transcribe_audio 返回 text（识别原文）与 raw （提交响应、任务查询响应、识别结果 JSON）。长结果会做截断，避免刷爆上下文。
- 两种接口可切换：api=filetrans（默认，长音频）或 api=sync（同步内联， ≤10 MB / ≤5 分钟，适合短语音）。

配置

插件默认从环境变量读取 API Key：DASHSCOPE_API_KEY（兼容 QWEN_API_KEY）。
也可以在聊天侧边栏的「插件」页面里直接填写：插件页 → 已安装插件 → 「千问语音转文字」→ 打开该 bundle 详情 → qwen-asr 行的「配置」按钮（dsh-qwen-asr#qwen-asr）。表单支持 API Key、接口类型、模型、异步接口地址、语言、自动转写开关、文件大小上限、任务超时等，保存后立即生效。刚安装或更新本插件后需要刷新一次页面（Ctrl+R / F5），浏览器才会加载新的客户端配置页。

| 配置项 | 默认值 | 说明 |
| apiKey | 空 | DashScope API Key；为空时读环境变量 |
| apiKeyEnv | DASHSCOPE_API_KEY | 读取 Key 的环境变量名 |
| api | filetrans | filetrans 异步长音频；sync 同步内联短音频 |
| model | qwen3-asr-flash-filetrans | 异步转写模型（api=filetrans 时使用）；也支持 qwen-audio-3.1-asr-flash-filetrans 等异步模型 |
| syncModel | qwen3-asr-flash | 同步模型（api=sync 时使用） |
| dashscopeBaseURL | https://dashscope.aliyuncs.com | 异步接口/临时上传地址（可换地域域名） |
| baseURL | https://dashscope.aliyuncs.com/compatible-mode/v1 | 同步接口地址 |
| language | auto | 语言提示，如 zh、en、yue；auto 表示不指定 |
| enableItn | false | 数字规范化（仅中英文） |
| enableWords | false | 异步结果返回字级时间戳（enable_words） |
| autoTranscribe | true | 上传音频时自动转写 |
| injectRawOutput | false | 自动注入时附带原始 JSON（截断） |
| maxAudioBytes | 7000000 | 同步模式内联音频上限（Base64 后 ≤10 MB） |
| maxFileBytes | 1000000000 | 异步模式文件上限（百炼临时上传上限 1 GB） |
| timeoutMs | 120000 | 单次 HTTP 请求超时 |
| uploadTimeoutMs | 600000 | 临时上传超时（大文件需更久） |
| taskTimeoutMs | 900000 | 等待异步任务完成的总超时 |
| pollIntervalMs | 3000 | 任务轮询间隔 |
| audioExtensions | 常见音频扩展名 | 自动转写识别的扩展名集合 |

使用

1. 在「插件」页面为本插件填写 API Key 并保存；或设置系统环境变量 DASHSCOPE_API_KEY 后重启 DSH。
2. 在聊天中直接上传音频文件并提问，例如「把这段录音的要点列出来」。
插件会先完成异步转写（大文件可能需要一两分钟），模型基于转写文本回答。
3. 需要原始模型输出时，让模型对某个音频路径调用 qwen_transcribe_audio，工具结果会包含 Transcript 与 Raw Qwen API output 两段。

限制

- 百炼临时存储：文件与上传时指定的模型绑定，有效期 48 小时，上传接口上限 1 GB （凭证接口 100 QPS，仅适合非生产场景）。生产环境建议直接把文件放 OSS，并使用公网 URL。
- 异步任务有排队/处理耗时；插件默认最多等待 15 分钟（taskTimeoutMs）。
- 自动转写结果只进入当次模型请求；后续步骤仍能看到模型基于转写文本给出的回答，以及会话中的原始文件句柄。需要长期保留原文时，请使用工具（工具结果会持久化）。
- 附件转写失败不会阻断对话，只会加入失败说明。