dsh-voice-mode

dsh-voice-mode

DeepSeek Harness 全双工语音插件 —— 边说边出字 · 按句朗读 · 发声打断

中文 · English 在 DeepSeek Harness 会话内进行语音输入、编辑草稿和按句朗读，支持字幕及发声打断。识别在宿主端推理；默认 Edge 朗读访问微软在线服务，本地 VITS / Kokoro 可选。自动发送和打断行为可在设置中调整，实际效果取决于模型、设备、回声消除和网络。 当前状态（2026-10-28）

兼容跟进（2026-10-30）：已对最新 dsh 0.2.1-rc.5 完成锚点、类型和隔离运行时复核，详见兼容契约；这不等同真实麦克风或全平台验收。 v0.7.34 补丁版：修复 Kokoro 主模型及固定摘要支持文件因上游替换而下载校验失败的问题；可安装版本以 npm 与 Releases 为准。 升级提示：v0.7.33 不包含这项下载修复。v0.7.34 使用与既有摘要匹配的上游历史版本，不改模型、音色或缓存目录；请勿关闭摘要校验。 能力与验证分开：CI 徽章展示对应分支的检查结果；真实听感、麦克风闭环和跨平台仍有未验收项。没有“所有设备都能精准打断”或“后续所有宿主版本兼容”的承诺。 后续路线：当前路线图；具体发布变化见 CHANGELOG，历史验证见兼容契约。 💡 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 断句进草稿，再静音约 1.2 秒（合计约 2.7 秒）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 —— 朗读时可发声打断；效果受设备、回声消除和噪声影响，必要时使用按住说话。

宿主 LLM 的密钥、网络与费用由宿主配置决定。

无需额外语音 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（合成在宿主端完成，不向独立在线 TTS 服务发送文本）。 🆕 发布记录摘录（历史）

v0.7.31 —— 修复 Edge 云端朗读再次失效（详见 CHANGELOG） 🔊 微软又改了 Edge 朗读的握手（2026-10-25 起），0.7.24 ~ 0.7.30 的默认朗读会整体无声；本版跟进上游修复并重建发布包，已实测合成成功。本地 VITS / Kokoro 朗读不受影响 🔐 依赖审计：修复 zod 高危公告（GHSA-mrhx-c7xc-m3w5），该依赖仅用于开发期类型检查、不进发布包

v0.7.30 —— 兼容 dsh 0.2.1-rc.3 🧩 覆盖矩阵扩到 18 个宿主版本 / 15 个隔离核心冒烟；兼容声明（中英 README、manifest）同步到 0.2.1-rc.3

v0.7.29 —— 对抗验证修复批（详见 CHANGELOG） 🧩 长句还在识别时接着说下一句，前一句不再被吞；朗读中按住打断再上滑取消后，下一句不再丢 ⏱️ 长朗读、长工具回合不再被「空闲退出」掐断（距最后一次真实操作满 2 小时才退出） 🔤 回复含 &、 时 Edge 朗读不再整句跳过；本地 Kokoro 下载完成后可完全离线 🌐 模型下载卡住 120 秒自动换源；点麦克风转圈时再点一次即取消，8 秒无应答自动收尾 ♿ 读屏软件只播报状态变化，不再被实时转写和计时刷屏

v0.7.28 —— 输入框内快捷键与按住说话优化（社区贡献 @dyguests，PR #17） ⌨️ 光标在输入框里按 Alt+Enter（Mac 为 Option+Enter）即可进入 / 退出语音模式，不会插入换行；可在设置里改键或留空禁用 🎙️ 设置新增「快捷键」分组：点「录制」直接按组合键录入，Esc 取消、Backspace 清空，缺修饰键或不支持的键会提示；改完立即生效，不用刷新 ✋ 按住说话：空闲时直接按住就开始录；松手发送后等回复读完自动退出；点麦克风按钮不再抢走输入框光标 🔊 没有句末标点的长文字（含英文）朗读分段更自然，打断更及时

v0.7.27 —— 麦克风按钮即状态面板（社区贡献 @dyguests，PR #16） 🎛️ 按钮挂到发送键旁，状态全写在按钮上：聆听绿条、朗读蓝条随音量跳动，出错红点、说话橙点；右键一键切交互模式 / 朗读范围 / 字幕 / 状态条 🔁 说完就关（mode: once）：说一句 → 自动发送 → 读完回复 → 自动退出，适合偶尔问一句 📖 总是朗读（readAloud: always）：打字发的消息也读出来；代码块自动跳过；点一下按钮就停 🤔 为什么值得用（3 个真痛点） ✨ 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），外放效果取决于设备和回声消除，必要时用按住说话 4. 💬 有感情 —— 提供内置音色列表和试听；Edge 可用音色随在线服务变化，失败会提示 5. 👁️ 字幕 a11y —— 4 档字号 + 3 档宽度，浅色主题变量跟随 dsh 主题 6. ✋ 打断不吃句 —— 朗读中开口打断，打断前说的话自动并入识别；任务运行中开口直接插话 7. 🔁 三种交互 —— 持续聆听 / 按住说话 / 说完就关；朗读范围可选语音模式 / 总是 / 关闭 🎬 Demo