dsh-plugin-tts

中文 | English

---

dsh-plugin-tts — Edge TTS 语音大集成

基于 Microsoft Edge 在线 TTS（node-edge-tts 协议）的 DeepSeek Harness 语音插件：给 AI 回复加朗读，支持逐条手动朗读与自动朗读。

📖 第一次用？看《使用手册（执行手册）》 —— 每一步都有 "做什么 / 怎么做 / 怎么算成功"，从朗读、RVC 音色到音色包下载全覆盖。

功能

1. 消息朗读按钮：每条 AI 回复左下角操作行（复制 / 好的回答 / 有问题的回答 / 在新对话中分支 之间） 新增「朗读」按钮，点击朗读该条消息（按钮显示音柱跳动动画），再次点击停止。
2. 自动朗读开关：输入框左下角、命令按钮与权限选择按钮之间的喇叭按钮； 开启后每条新完成的 AI 回复自动朗读（按钮带圆形高亮），关闭则不自动朗读。
3. 语音设置面板：侧边栏「设置 → 插件」新增「语音」标签页：
   • TTS提供者：Edge TTS（免费在线）/ 自定义音色（RVC）
   • 朗读音色：22 个经实测可用的 Edge TTS 音色（默认 晓萱 zh-CN-XiaoxuanNeural）
   • 声音调节：语速 / 音调 / 音量（0 = 默认）
   • 音色包：从音色包仓库一键下载安装音色
   • 试听测试：输入文本 + 播放按钮（播放中显示旋转 loading，可点击停止；失败时红字提示）

要求

• DeepSeek Harness web profile（dsh web）
• Node.js ≥ 22（worker 使用原生 WebSocket）

安装

# 已发布到 GitHub 后：
dsh plugin --profile web add "github:1624318455/dsh-plugin-tts#main"
# 或本地开发：
dsh plugin --profile web add "file:/path/to/dsh-plugin-tts"

重启 dsh web 后作为 profile bundle 自动加载，无需手动启用。

可用音色（经实测）

区域	音色
简体中文	晓萱 Xiaoxuan · 晓伊 Xiaoyi · 云希 Yunxi · 云扬 Yunyang · 晓晓 Xiaoxiao · 云健 Yunjian · 云夏 Yunxia · 晓北(辽宁) liaoning-Xiaobei · 晓妮(陕西) shaanxi-Xiaoni
台湾	曉臻 HsiaoChen · 曉雨 HsiaoYu · 雲哲 YunJhe
香港	曉佳 HiuGaai · 曉曼 HiuMaan · 雲龍 WanLung
英文	Aria · Jenny · Guy · Sonia(英)
日/韩/法	七海 Nanami · SunHi · Denise

注：Xiaohan / Xiaomeng / Xiaorui / Xiaoshuang 等旧音色已被 Edge 端点移除（返回 1007 Unsupported voice），未列入。

架构

层	位置	职责
Host	lib/index.mjs	注册 POST /dsh-tts-api/speak（合成）与 GET /dsh-tts-audio/<id>（音频）两条 webServer 路由；用 node -e 运行零依赖 worker
Client	lib/client.js	shell.overlay 隐藏 <audio> 宿主 + 三处 UI（朗读按钮 / 自动朗读开关 / 语音设置面板），通过 fetch 调 Host 路由

TTS 引擎：worker 协议镜像 node-edge-tts@1.2.10： Sec-MS-GEC 查询参数（ticks 向下取整到 5 分钟边界）、 Sec-MS-GEC-Version=1-143.0.3650.75、二进制帧 Path:audio 前缀、 xml:lang 由音色 locale 推导、1006 异常关闭自动重试一次。音频输出 audio-24khz-48kbitrate-mono-mp3。

边界行为

• 自动朗读中点击同一消息朗读按钮 → 停止；点击另一消息 → 打断自动、改手动朗读。
• 手动朗读中关闭自动开关 → 不打断手动；自动朗读中关闭 → 停止自动朗读。
• 新消息完成（自动开启）→ 打断当前、朗读最新；无文本消息跳过；切换会话只停自动来源。
• 合成/播放失败 → 静默清理状态并恢复图标（试听面板内会显示红字提示）。

自定义音色（RVC）

用你本地训练好的 RVC 模型做音色转换：设置面板把 TTS提供者切到「自定义音色（RVC）」，朗读链路变为 Edge TTS 底噪 → 本机 RVC 推理服务（rvc-server.py）→ 转换后的 wav → 播放，全程在本机 GPU/CPU 上完成。

启动本地 RVC 推理服务

# 任选一个 RVC-Project WebUI 安装（本机验证示例，azusa-test 仅本地使用）
E:\AI\RVC20240604Nvidia\RVC20240604Nvidia\runtime\python.exe rvc-server.py \
    --rvc-dir "E:\AI\RVC20240604Nvidia\RVC20240604Nvidia" \
    --model "E:\AI\RVC20240604Nvidia\RVC20240604Nvidia\assets\weights\azusa-test.pth" \
    --index "E:\AI\RVC20240604Nvidia\RVC20240604Nvidia\assets\indices\azusa-test_..._v2.index" \
    --port 4892

rvc-server.py 提供 GET /health（含 gpu_name / vram_gb）、POST /load {model,index}、 POST /convert {audio_base64,params}（JSON+base64，无额外依赖）、GET /files?kind=pth|index（本机模型/索引发现）、 POST /compact-index {index, target_vectors}（紧凑索引生成）； 自动使用环境内的 ffmpeg.exe 解码 mp3 底噪。设备自动选 cuda:0（NVIDIA）或 cpu，可 --device 指定。 转换时缓存 faiss 索引对象（按路径），分块模式下每块不再重复读取 ~400MB 索引文件；/load 时自动清空缓存。

便携运行时（免装 RVC WebUI）

给"只有音色模型、不想装整套 RVC WebUI"的人：一个免安装文件夹，内含转换服务需要的一切 （Python + torch + 推理核心 + hubert/rmvpe + ffmpeg + rvc-server.py），双击 启动服务.bat 即用。已在本机实测（RTX 5070：模型加载 + 转换正常）。

打包（在已装 RVC WebUI 的机器上，零下载）：

E:\...\RVC20240604Nvidia\runtime\python.exe tools\package-runtime.py `
  --rvc-dir "E:\...\RVC20240604Nvidia" --out "D:\rvc-portable" --skip-torch

• RTX 50 系（Blackwell）可选提速：官方 pytorch CDN 对部分网络极慢（实测 31KB/s）， 用国内镜像在可见终端里升级 torch 到 cu128：

  D:\rvc-portable\runtime\python.exe -m pip install --upgrade `
    --extra-index-url https://mirrors.aliyun.com/pytorch-wheels/cu128 `
    torch==2.7.0+cu128 torchaudio==2.7.0+cu128
  

• 成品约 7-9GB，压缩 3-4GB（超出 GitHub 附件 2GB 上限，用网盘/对象存储分发， 或只分享打包脚本让各自本机生成）。详见使用手册 §10。

长文本渐进播放（自适应分块）

RVC 是变声：输入音频长度 = 输出音频长度，长文本必须先合成整段底噪再转换。 旧链路"全部转换完再播放"会让长回复等待几十秒。本插件改为自适应分块渐进播放：

1. 首次使用长文本 RVC 时，Host 做一次 5 秒探测（转换固定短音频，测 速度比 = 转换耗时 / 音频时长），按分档表选定块大小与预热块数；
2. 文本按句切块（每块 ≈ 6-20 秒音频，落在语义边界）；
3. 先转换预热块（GPU 2 块 / CPU 最多 4 块）立即开播，其余块由前端在播放期间 通过 GET /dsh-tts-api/rvc-next 逐块拉取——转换与播放重叠；
4. 无感衔接：rvc-server 转换时裁剪每块头尾填充静音（实测每块头 138ms/ 尾 538ms → 各保留 20ms/120ms 自然气息），前端用 Web Audio 采样级精确拼接 （解码成 AudioBuffer 按 start(prevEnd) 首尾相接，块间零事件抖动、零重载延迟）；
5. 分档表：ratio ≤ 0.4 → 20s/预热2，0.4-0.6 → 15s/2，0.6-0.9 → 10s/3， > 0.9（CPU）→ 6s/4，探测失败兜底 10s/3；
6. 短文本（≤12 秒）与上传底噪模式不切块，仍走单 URL 链路，零额外开销；
7. 进度可见：播放时朗读按钮 tooltip 与试听面板显示「第 x/y 段 · 边播边合成」；
8. 校准落盘：探测结果存入 ~/.dsh/tts-rvc/calibration.json（7 天有效， 记录 GPU 名做设备指纹），dsh 重启后直接复用，换显卡自动重新探测。

完整设计见 docs/adaptive-chunked-playback.md。

设置面板 RVC 配置

• 原声来源：让 Edge TTS 先读一遍 / 上传音频文件（wav/mp3/m4a/ogg/flac）。选「上传」时不再经过 Edge TTS，语速/音调/音量不适用。
• 服务地址（默认 http://127.0.0.1:4892）
• 模型路径 (.pth) 与 索引路径 (.index)——输入框右侧有「浏览」按钮（RVC 服务自动扫描本机模型/索引文件，点击回填路径）；索引留空 = 免索引模式（index_rate 自动为 0，质量略降仍可用）；索引路径旁有「压缩索引」按钮（生成紧凑索引）
• 原声音色（原声来源=Edge 时）：Edge 先合成再转换的原始音色
• 高级参数（折叠，一般不用改）：原声语速/音调/音量（如 +10%）、说话人 ID spk_id（多说话人模型）、f0 方法（rmvpe 质量高 / pm 快）、变调、索引权重 index_rate、resample_sr、rms_mix_rate、protect、滤波半径 filter_radius（仅 harvest）、F0 曲线文件（手动指定音高）

紧凑索引（压缩 .index）

RVC 训练出的检索索引常达数百 MB（实测 azusa-test：408MB / 129,396 向量 / 768 维）， 是分发音色包和冷启动加载的最大负担。设置面板「索引路径」右侧的**「压缩」按钮**可一键生成紧凑索引：

1. 点「压缩」→ 选择目标向量数（2k ≈ 6MB / 5k ≈ 15MB / 10k ≈ 31MB / 20k ≈ 61MB）→ 「生成」；
2. 原理：从原索引子采样向量，重建为与源索引同度量的精确 flat 索引——RVC 训练默认 L2（pipeline 的 square(1/score) 加权即按 L2 设计），紧凑索引自动跟随源度量（源为内积则 用 IndexFlatIP，否则 IndexFlatL2），RVC 管线（read_index → reconstruct_n → search k=8） 零改动兼容；flat 精确检索比原 IVF nprobe=1 的近似检索更准，音色还原度基本不变；
3. 生成不覆盖原文件，输出为 原文件名_compact_N.index；成功后自动填入索引路径，立即可用；
4. 构建时短暂占用 ~1GB 内存（读取大索引 + 重建），约几秒到几十秒。

408MB → 6MB（2k）意味着分发音色包时索引不再是障碍；配合免索引模式（留空）， 任何机器都能"选个音色直接用"。

实测声音对比（同一段真实语音，index_rate 0.75，样本级均差/RMS）：免索引 vs 完整索引 ≈ 37% （索引确实在起作用）；完整 vs 紧凑 2k ≈ 37%（2k 样本的 8 近邻 ≠ 全量的 8 近邻，属正常抽样偏差）。 人耳听感上差异很小——训练良好的模型本身承载大部分音色，索引是"精修"。分发音色包建议 10k （31MB）；想要更强索引特征可把 index_rate 调向 1.0。

音色包（注册表 + 下载）

从音色包仓库一键下载安装音色：设置面板 RVC 配置下方新增「音色包」模块——

1. 填入仓库地址（目录需包含 manifest.json），点「获取列表」；
2. 每个音色包卡片显示名称 / 描述 / 体积（模型 + 紧凑索引）/ 许可 / 作者；
3. 点「下载并启用」：插件代下载（规避 CORS）、sha256 逐一校验、安装到 ~/.dsh/tts-rvc/packs/<包id>/，自动填入模型/索引路径，并按清单设置底噪音色、 f0 方法、索引权重——立即可用；
4. 已安装的包显示版本号，重复下载自动跳过；sha256 不符会中止并清理残留文件。

清单格式（manifest.json，schema 2；url 支持相对路径，自动按仓库地址解析）：

{ "schema": 2, "packs": [ {
  "id": "pack-id", "name": "音色名", "description": "...",
  "version": "1.0.0", "author": "...", "license": "MIT",
  "baseVoice": "zh-CN-YunyangNeural", "f0Method": "rmvpe", "indexRate": 0.75,
  "model": { "url": "packs/pack-id/model.pth", "size": 55270272, "sha256": "..." },
  "indexes": [ { "id": "c10k", "name": "紧凑 10k（推荐）",
                 "url": "packs/pack-id/index_compact.index", "size": 30720045, "sha256": "..." } ]
} ] }

• indexes 为索引变体数组（可多个，UI 里选择）；省略时兼容旧的单个 index 字段；
• url 用相对路径（相对 manifest.json 所在目录）即可，同一个仓库本地/线上通用；
• 免索引的音色包：不写 indexes / index。

演示音色 azusa-test 受版权限制不对外分发，不出现在公开仓库；公开仓库只收录版权干净（可分发）的音色。 本地测试可用 node tests/mock-registry.mjs <目录> [端口] 起一个静态仓库。

设置项详解（参数作用与建议）

设置项	作用	建议
底噪来源	转换前基础语音：Edge TTS 自动合成，或上传自己的音频文件	上传模式忽略声音调节；wav/mp3/m4a/ogg/flac
语速 / 音调 / 音量	Edge TTS 朗读属性；RVC 模式下作用于转换前底噪，语调会透传到最终音色	0 = 默认；语速 ±10-20% 听感自然
服务地址	本地 RVC 推理服务地址	默认 http://127.0.0.1:4892
模型路径 (.pth)	RVC 模型文件，即音色来源	必填；可用「浏览」从本机选择（.pth）
索引路径 (.index)	音色检索索引，提升音色还原度	留空 = 免索引（还原度略降，仍可用）；「浏览」限 .index
底噪音色	转换前的原始语音，决定语调/停顿	男声/女声按喜好选
说话人 ID (spk_id)	多说话人模型选择说话人	单说话人模型保持 0
f0 方法	音高检测算法：rmvpe 效果最好；pm 最快；harvest 低音好但慢；crepe 吃 GPU	默认 rmvpe；CPU 建议 pm
变调 (f0_up_key)	对音高整体升降，单位半音	0 默认；±2-3 可微调声线
索引权重 (index_rate)	越高音色越接近模型训练者，越低越接近底噪原声	0.5-0.75 常用
输出采样率 (resample_sr)	输出音频采样率，越高细节越好、文件越大	40000 默认
响度混合 (rms_mix_rate)	输出音量包络混合比例，越高越接近训练者响度习惯	0.25 默认
辅音保护 (protect)	保护清辅音与呼吸声，过高保留更多原声细节	0.33 默认
滤波半径 (filter_radius)	音高平滑滤波（仅 harvest 有效），越大曲线越平滑	≥3 启用平滑
F0 曲线文件	手动指定音高曲线文件，覆盖自动提取	留空 = 自动提取

实测延迟（NVIDIA GPU，服务常驻）

场景	延迟
热转换（短句）	带 index ~1s / 免 index ~0.4s
完整链路（Edge 合成 + 转换）	~2-6s
首次请求（含 hubert/模型加载）	数秒到十余秒

版权提示

演示用音色（azusa-test）仅限本机开发验证，请勿对外分发（声音版权）。对外发布的音色包必须使用版权干净的声音。

疑难排查

• 403 / Sec-MS-GEC 被拒：Edge 端点协议或版本校验变更，更新 lib/index.mjs 内 worker 的 CHROMIUM_FULL_VERSION / TRUSTED_CLIENT_TOKEN。
• 1007 Unsupported voice：所选音色已被端点移除，换用上表列出的音色。
• 无声音：确认系统音量、浏览器自动播放策略（先与页面交互一次）或合成日志 （dsh web 控制台 [tts] 前缀错误）。

开发

node tests/smoke.mjs   # 冒烟测试：fake ctx 注册路由 + 真实 Edge TTS 合成 + 音频回放断言

改 lib/ 后的热更新（Windows 下 file: 安装是复制而非符号链接， 运行中的 dsh 读的是 profile 副本）：

Copy-Item lib/* $env:USERPROFILE\.dsh\profiles\web\node_modules\@dsh-external\dsh-plugin-tts\lib\ -Recurse -Force
# 然后刷新浏览器即可（bundle 每次请求重新读盘；勿用 pnpm install --force 覆盖）

已知限制

• 音色 / 自动朗读开关状态保存在内存（动态设置面板，不落盘），刷新页面后复位默认值。
• 合成音频写入 OS 临时目录，由系统清理。

License

MIT

---

dsh-plugin-tts — Edge TTS voice integration for DeepSeek Harness

A dual-sided (Host + Web UI) DeepSeek Harness plugin that reads assistant replies aloud using Microsoft Edge's online TTS (node-edge-tts protocol — free, no API key).

📖 First time? See the user guide (执行手册) — every step covers "what / how / how to tell it worked": read-aloud, RVC voices and voice-pack downloads.

Features

1. Read-aloud button on every finalized assistant message (in the copy / feedback / branch action row): click to speak that message (the button shows an animated equalizer), click again to stop.
2. Auto-read toggle in the composer tool row (between the command and the access-mode buttons): when on, every newly completed assistant reply is read aloud automatically (the toggle gets a circular highlight); when off, nothing is auto-read.
3. Voice settings panel under 设置 → 插件 → 语音:
   • TTS provider: Edge TTS (free, no API key)
   • Voice: 22 live-verified Edge TTS voices (default 晓萱 zh-CN-XiaoxuanNeural)
   • Preview: type text and press the play (triangle) button — a spinning loader shows while it is synthesizing/playing (click again to stop), failures show an inline message.

Requirements

• DeepSeek Harness web profile (dsh web)
• Node.js >= 22 (the worker uses the native WebSocket)

Install

# published form:
dsh plugin --profile web add "github:1624318455/dsh-plugin-tts#main"
# or local development:
dsh plugin --profile web add "file:/path/to/dsh-plugin-tts"

Restart dsh web; the plugin then loads automatically as a profile bundle.

Voices (live-verified)

Region	Voices
Simplified Chinese	Xiaoxuan 晓萱 · Xiaoyi 晓伊 · Yunxi 云希 · Yunyang 云扬 · Xiaoxiao 晓晓 · Yunjian 云健 · Yunxia 云夏 · liaoning-Xiaobei 晓北 · shaanxi-Xiaoni 晓妮
Taiwan	HsiaoChen 曉臻 · HsiaoYu 曉雨 · YunJhe 雲哲
Hong Kong	HiuGaai 曉佳 · HiuMaan 曉曼 · WanLung 雲龍
English	Aria · Jenny · Guy · Sonia (UK)
Other	Nanami 七海 (ja-JP) · SunHi (ko-KR) · Denise (fr-FR)

Note: legacy voices such as Xiaohan / Xiaomeng / Xiaorui / Xiaoshuang were removed by the Edge endpoint (1007 Unsupported voice) and are not listed.

Architecture

Layer	Location	Role
Host	lib/index.mjs	Registers POST /dsh-tts-api/speak (synthesis) and GET /dsh-tts-audio/<id> (audio) webServer routes; runs a zero-dependency worker via node -e
Client	lib/client.js	Hidden <audio> host in shell.overlay + the three UI entries; talks to the Host through fetch

The TTS worker mirrors node-edge-tts@1.2.10: Sec-MS-GEC query params (ticks rounded to the 5-minute boundary), Sec-MS-GEC-Version=1-143.0.3650.75, Path:audio binary framing, xml:lang derived from the voice locale, one retry on abnormal (1006) closures. Audio is audio-24khz-48kbitrate-mono-mp3.

Edge cases handled

• Clicking the read button of the message being auto-read stops it; another message's button switches to manual reading.
• Disabling auto-read never interrupts a manual read; it stops auto reads.
• A newly completed message (auto on) interrupts the current read; text-less messages are skipped; session switches only stop auto reads.
• Synthesis / playback failures silently reset the icon state (the preview panel shows an inline error message).

Custom voice (RVC)

Use your locally trained RVC model for voice conversion: switch the TTS provider to "自定义音色（RVC）" in the settings panel and the read pipeline becomes Edge TTS base audio → local RVC inference server (rvc-server.py) → converted wav → playback, all computed on the user's own GPU/CPU.

Start the local RVC inference server

# any RVC-Project WebUI install (azusa-test below is a local dev example only)
E:\AI\RVC20240604Nvidia\RVC20240604Nvidia\runtime\python.exe rvc-server.py \
    --rvc-dir "E:\AI\RVC20240604Nvidia\RVC20240604Nvidia" \
    --model "E:\AI\RVC20240604Nvidia\RVC20240604Nvidia\assets\weights\azusa-test.pth" \
    --index "E:\AI\RVC20240604Nvidia\RVC20240604Nvidia\assets\indices\azusa-test_..._v2.index" \
    --port 4892

rvc-server.py exposes GET /health (includes gpu_name / vram_gb), POST /load {model,index}, POST /convert {audio_base64,params} (JSON + base64, no extra deps), GET /files?kind=pth|index (local model/index discovery) and POST /compact-index {index, target_vectors} (compact-index builder); mp3 base audio is decoded with the env's bundled ffmpeg.exe. Device auto-selects cuda:0 (NVIDIA) or cpu; override with --device. Loaded faiss index objects are cached by path (cleared on /load), so chunked conversion no longer re-reads the ~400MB index file per chunk.

Portable runtime (no RVC WebUI needed)

For users who have voice models but do not want to install the whole RVC WebUI: a no-install folder with everything the conversion service needs (Python + torch

• inference core + hubert/rmvpe + ffmpeg + rvc-server.py); double-click 启动服务.bat and it runs. Verified locally (RTX 5070: model load + convert).

Build on any machine with an RVC WebUI (zero downloads):

E:\...\RVC20240604Nvidia\runtime\python.exe tools\package-runtime.py `
  --rvc-dir "E:\...\RVC20240604Nvidia" --out "D:\rvc-portable" --skip-torch

• Optional RTX 50-series (Blackwell) speed-up: the official pytorch CDN is very slow on some networks (measured 31KB/s); use a mirror in a visible terminal to upgrade torch to cu128:

  D:\rvc-portable\runtime\python.exe -m pip install --upgrade `
    --extra-index-url https://mirrors.aliyun.com/pytorch-wheels/cu128 `
    torch==2.7.0+cu128 torchaudio==2.7.0+cu128
  

• Result is ~7-9GB (zip 3-4GB, over GitHub's 2GB asset limit) — distribute via cloud drive/object storage, or share the build script instead. See user guide §10.

Adaptive chunked progressive playback (long RVC reads)

RVC is voice conversion (input length == output length), so long text must be fully synthesized as base audio before conversion. Instead of converting everything before playing (a long silent wait), the plugin:

1. Probes the machine once (converts a ~3.6s clip; measures ratio = convert_time / audio_seconds) and picks chunk size (6-20s) and prewarm count (2-4) from a ratio tier table;
2. Splits the text into sentence-aligned chunks;
3. Converts the prewarm chunks, starts playback immediately, and the client pulls further chunks via GET /dsh-tts-api/rvc-next while playing — conversion overlaps playback;
4. Gapless joins: the server trims each chunk's edge padding silence (measured ~138ms lead / ~538ms tail → keep a 20ms/120ms natural breath), and the client plays chunks with Web Audio sample-accurate scheduling (AudioBuffers chained at start(prevEnd) — no event jitter, no reload gap);
5. Tiers: ratio ≤ 0.4 → 20s/prewarm 2, 0.4-0.6 → 15s/2, 0.6-0.9 → 10s/3, > 0.9 (CPU) → 6s/4, probe failure falls back to 10s/3;
6. Short text (≤12s) and upload-base mode stay on the single-URL path (zero extra overhead);
7. Visible progress: the read button tooltip and preview panel show "chunk x/y · playing while converting";
8. Persistent calibration: results are stored in ~/.dsh/tts-rvc/calibration.json (7-day validity, GPU-name fingerprint) — reused across dsh restarts, re-probed automatically when the GPU changes.

Full design: docs/adaptive-chunked-playback.md.

Settings-panel RVC config

• Service URL (default http://127.0.0.1:4892)
• Model path (.pth) and Index path (.index) — leave index empty = index-free mode (index_rate forced to 0; slightly lower quality, still works)
• Base voice: the Edge voice synthesized before conversion
• Advanced (collapsible): base voice rate/pitch/volume (e.g. +10%), speaker id spk_id (multi-speaker models), f0 method (rmvpe quality / pm speed), pitch shift, index_rate, resample_sr, rms_mix_rate, protect, filter_radius (harvest only), F0 curve file (manual pitch)

Compact index (shrink .index)

Trained RVC retrieval indexes are often hundreds of MB (measured azusa-test: 408MB / 129,396 vectors / 768-dim) — the biggest burden for distributing voice packs and cold-start loading. The "压缩" (compress) button next to the index path builds a compact index in one click:

1. Click 压缩 → pick a target vector count (2k ≈ 6MB / 5k ≈ 15MB / 10k ≈ 31MB / 20k ≈ 61MB) → 生成;
2. It sub-samples the original index's vectors and rebuilds an exact flat index with the same metric as the source (RVC trains with L2 by default — the pipeline's square(1/score) weighting is designed for L2 — so the compact index uses IndexFlatL2, or IndexFlatIP when the source is inner-product). The RVC pipeline (read_index → reconstruct_n → search k=8) needs zero changes; flat exact search is more accurate than the original IVF nprobe=1 approximation, so voice identity is essentially unchanged;
3. The original file is never overwritten; output is 原文件名_compact_N.index, and the new path is filled into the index field automatically;
4. Build takes a few seconds to tens of seconds with a ~1GB memory peak.

408MB → 6MB (2k) means the index is no longer a barrier to shipping a voice pack; combined with index-free mode (empty path), any machine can pick a voice and go.

Voice packs (registry + download)

One-click voice install from a pack registry: the "音色包" module below the RVC config in the settings panel —

1. Enter a registry URL (its directory must contain manifest.json), click "获取列表";
2. Each pack card shows name / description / size (model + compact index) / license / author;
3. Click "下载并启用": the plugin downloads on your behalf (avoids CORS), verifies every file's sha256, installs to ~/.dsh/tts-rvc/packs/<id>/, fills the model/index paths and applies the pack's base voice, f0 method and index rate — ready to use immediately;
4. Installed packs show their version; re-downloading skips silently; a sha256 mismatch aborts and cleans up partial files.

Manifest format (manifest.json, schema 2; url may be relative — resolved against the registry base, so the same manifest works locally and online):

{ "schema": 2, "packs": [ {
  "id": "pack-id", "name": "Voice Name", "description": "...",
  "version": "1.0.0", "author": "...", "license": "MIT",
  "baseVoice": "zh-CN-YunyangNeural", "f0Method": "rmvpe", "indexRate": 0.75,
  "model": { "url": "packs/pack-id/model.pth", "size": 55270272, "sha256": "..." },
  "indexes": [ { "id": "c10k", "name": "Compact 10k (recommended)",
                 "url": "packs/pack-id/index_compact.index", "size": 30720045, "sha256": "..." } ]
} ] }

• indexes is an array of index variants (the UI lets you pick one); the legacy single index field still works;
• url can be a relative path; omit indexes/index for an index-free pack.

The demo voice (azusa-test) is not redistributable and is not listed in a public registry; public registries must only contain copyright-clean voices. For local testing: node tests/mock-registry.mjs <dir> [port] serves a folder as a static registry.

Settings explained (meaning & guidance)

Setting	Effect	Guidance
Rate / Pitch / Volume	Edge TTS properties; in RVC mode they shape the base audio and the prosody carries into the final voice	0 = default; ±10-20% rate sounds natural
Service URL	Local RVC inference service address	default http://127.0.0.1:4892
Model path (.pth)	The RVC model — your voice source	required
Index path (.index)	Voice retrieval index; improves identity	empty = index-free (slightly lower fidelity)
Base voice	Original voice before conversion; decides prosody/pauses	pick male/female as you like
Speaker id (spk_id)	Picks the speaker for multi-speaker models	keep 0 for single-speaker models
f0 method	Pitch detection: rmvpe best; pm fastest; harvest good bass but slow; crepe GPU-heavy	rmvpe default; pm on CPU
Pitch shift (f0_up_key)	Global pitch shift in semitones	0 default; ±2-3 to tune the voice
Index rate	Higher = closer to the trained voice; lower = closer to the base	0.5-0.75 common
Resample sr	Output sample rate; higher = more detail, bigger files	40000 default
RMS mix rate	Output volume-envelope mix; higher = closer to the trainer's loudness	0.25 default
Protect	Protects unvoiced consonants/breath; too high keeps more of the source	0.33 default
Filter radius	Pitch smoothing (harvest only); larger = smoother curve	≥3 enables smoothing
F0 curve file	Manual pitch curve, overrides auto extraction	empty = auto

Measured latency (NVIDIA GPU, warm server)

Scenario	Latency
Warm conversion (short clip)	with index ~1s / index-free ~0.4s
Full chain (Edge synth + conversion)	~2-6s
First request (hubert/model load)	seconds to ~15s

Copyright note

The demo voice (azusa-test) is for local development only — do not redistribute (voice copyright). Published voice packs must use copyright-clean voices.

Troubleshooting

• 403 / Sec-MS-GEC rejected: the Edge endpoint protocol or version check changed; update CHROMIUM_FULL_VERSION / TRUSTED_CLIENT_TOKEN inside the worker in lib/index.mjs.
• 1007 Unsupported voice: the selected voice was removed from the endpoint; pick one from the table above.
• No sound: check system volume, the browser autoplay policy (interact with the page once), or the synthesis logs ([tts] errors in the dsh web console).

Development

node tests/smoke.mjs   # fake-ctx route registration + real Edge TTS synthesis + audio serve assertions

Hot-reload after editing lib/ (on Windows a file: install is a COPY, not a symlink, so the running dsh reads the profile copy):

Copy-Item lib/* $env:USERPROFILE\.dsh\profiles\web\node_modules\@dsh-external\dsh-plugin-tts\lib\ -Recurse -Force
# then refresh the browser (bundles are re-read from disk per request; never use pnpm install --force)

Known limits

• Voice / auto-read toggle state is in-memory (dynamic settings, no disk persistence); a page refresh resets the defaults.
• Synthesized audio is written to the OS temp dir and cleaned by the OS.

License

MIT