dsh-asr-voice — 语音输入（Voice Input）

开口即成文，落键即送达。
Speak, and the words are already written.

关于 About

说话，然后文字已经写好。— Say it; the words are already written.

dsh-asr-voice 是 DeepSeek Harness 的语音输入之翼：以云端之耳倾听，以优化之手成文， 让每一次开口都直接落为可用的提示词。对着麦克风说出想法，插件把口语转成干净、可直接发送的提示词， 体验如 Codex 语音输入般顺滑。

A voice-input companion for DeepSeek Harness: it listens with cloud ears and drafts with a polishing hand, turning every utterance into a clean, send-ready prompt — as fluid as Codex voice input.

特色 Highlights

• 混合识别，进退自如 — Hybrid ASR, always a way out 浏览器 Web Speech 优先（免费、免 key、Chrome/Edge 双平台）；不可用或被网络屏蔽时 自动回落到已配置的云端。云端支持多供应商：小米 MiMo / OpenAI / Groq / 硅基流动 / 通义 Qwen-ASR 可同存并蓄，设置页一键切换，并按需「获取模型」动态拉取最新 ASR 模型。 Web Speech first, with automatic fallback to your cloud ASR. Multiple providers (MiMo, OpenAI, Groq, SiliconFlow, Qwen-ASR) can coexist — switch with one tap and fetch the latest models on demand.

• 优化润于无声 — Polished without interrupting 停止录音，约一秒即把清洗版填入草稿；LLM 优化在后台润色，完成自动替换，不覆盖你的编辑。 Stop recording and the cleaned draft lands in about a second, while LLM polish happens in the background and replaces it only when done — your edits are never overwritten.

• 隐私自守 — Privacy by design API key 只居本机服务端，浏览器仅经 /api/asr-voice/* 私有 JSON 代理而行；录音在本地完成 格式转换后再上传。API keys live on your machine only; the browser talks through a private local proxy, and audio is converted locally before upload.

• 处处顺手 — Thoughtful touches 结果一键复制剪贴板（默认开）、完整替换或末尾追加、快捷键与按住说话、用量统计一目了然。 One-tap clipboard, replace-or-append insertion, hotkey & hold-to-talk, and a glanceable usage stats.

• 独立干净 — Zero third-party runtime 运行时只依赖官方 @deepseek-ai/* peer 包，可单独用、可组合用。 Runs on official @deepseek-ai/ peers only — usable alone or alongside other plugins.*

功能 Features

• 输入框工具行麦克风按钮（conversation.input.right）：点击开始/结束（默认手动关麦， 点停止即整段去识别；可选静音自动停止），可选按住说话
• 默认快捷键 Ctrl+Shift+Space（可配置，支持 macOS 的 Cmd 兼容）
• 识别后填入草稿待确认；可选「识别后自动发送」（push-to-talk 风格）
• 设置卡片：「设置 → 插件 → 配置 → 语音输入」

效果 Preview

输入框麦克风按钮	录音中（红色扩散 + 实时频谱）	LLM 优化预览

安装 Install

dsh plugin --profile <profile> add <本插件路径或 GitHub 仓库>

浏览器端依赖官方 client 包（由 DSH 提供），无需额外安装。 The browser side relies on official DSH client packages — nothing extra to install.

设置项 Settings（namespace asr-voice）

分组	字段	默认	说明
识别引擎	asr.provider	auto	auto（浏览器 Web Speech 优先，失败自动切云端）/ browser（Web Speech）/ cloud（OpenAI-compatible）
云端	asr.cloud.providers	[]	多供应商列表：每个含 {id, preset, baseUrl, apiKey, model, mode}，可保存多个服务商 key
云端	asr.cloud.active	空	当前使用的供应商 id（空 = 取第一个）；设置页可切换
云端	asr.cloud.preset	openai	openai / groq / siliconflow / mimo / dashscope / custom
云端	asr.cloud.baseUrl	预置自动填	任意 OpenAI-compatible base URL
云端	asr.cloud.apiKey	空	仅存本机服务端；MiMo 端点留空时自动复用 DSH 凭据 MIMO_API_KEY
云端	asr.cloud.model	预置自动填	如 whisper-1 / whisper-large-v3 / FunAudioLLM/SenseVoiceSmall / mimo-v2.5-asr / qwen3-asr-flash；设置页可「获取模型」动态拉取该供应商最新 ASR 模型
云端	asr.cloud.mode	auto	auto（按模型名判定）/ transcriptions（whisper 式）/ chat（MiMo/Qwen-ASR）
优化	optimize.mode	llm	llm（默认，用当前所选 LLM 重写）/ heuristic（本地启发式）
优化	optimize.preview	false	false（默认）：停止录音立即填入清洗版文本，LLM 优化后台完成后自动替换；true：等优化完成，预览 原始→优化 后确认填入
优化	optimize.llm.provider / .model	空	可选：从 DSH 已配置模型列表指定；留空则用当前所选 LLM。自定义须先到 DSH 模型列表添加
语言	language	auto	auto / zh-CN / en-US
行为	behavior.autoSend	false	识别后自动发送
行为	behavior.silenceStop	false	静音自动停止（默认关 = 手动点击/快捷键结束录音，点停止即整段去识别）
行为	behavior.holdToTalk	false	按住快捷键说话、松开结束
行为	behavior.textMode	replace	文本输入模式：replace（完整替换草稿）/ append（在已有文字后追加）
行为	behavior.copyToClipboard	true	识别/优化后自动把结果复制到剪贴板
行为	behavior.hotkey	Ctrl+Shift+Space	快捷键（空 = 关闭）
统计	/api/asr-voice/stats	—	ASR 用量统计（次数/字符/最近时间，进程内）

云端 ASR 预置 Presets

预置	baseUrl	默认模型	通道
OpenAI	https://api.openai.com/v1	whisper-1	whisper 式 /audio/transcriptions
Groq	https://api.groq.com/openai/v1	whisper-large-v3	whisper 式 /audio/transcriptions
硅基流动 SiliconFlow	https://api.siliconflow.cn/v1	FunAudioLLM/SenseVoiceSmall	whisper 式 /audio/transcriptions
小米 MiMo	https://api.xiaomimimo.com/v1	mimo-v2.5-asr	chat + input_audio（key 可复用 DSH 凭据 MIMO_API_KEY）
通义/阿里云百炼 Qwen-ASR	https://dashscope.aliyuncs.com/compatible-mode/v1	qwen3-asr-flash	chat + input_audio

两条调用通道（设置项 asr.cloud.mode，默认 auto）：

• whisper 式 transcriptions：multipart 上传到 /audio/transcriptions（OpenAI / Groq / 硅基流动 / 本地部署）。
• chat + input_audio chat：base64 data URI 走 /chat/completions——小米 MiMo-V2.5-ASR、通义 Qwen-ASR 等音频大模型的 OpenAI 兼容姿势。
• auto：按模型名自动判定（模型名含 asr/audio/omni/sensevoice 走 chat，否则 whisper 式）。

自定义端点兼容任何 OpenAI-compatible 服务（按模型选对应通道）。 Any OpenAI-compatible endpoint works — pick the channel to match your model.

外部依赖 External Dependencies

• 浏览器：Web Speech API（Chrome/Edge；Safari 部分支持）、getUserMedia + MediaRecorder
• 云端 ASR / LLM：你配置的 OpenAI-compatible 服务（网络请求由本机 host 发起）
• 运行时不依赖任何第三方 DSH 插件（与 dsh-ui-tweaks 等完全独立，可单独用、可组合用）

生命周期脚本 Lifecycle Scripts

无 preinstall / install / postinstall / prepare 等安装期脚本； build / build:client / bundle / typecheck 仅开发者构建用，不参与安装。

权限与已知风险 Permissions & Known Issues（保守披露）

权限	等级	说明
麦克风	高	浏览器 getUserMedia 需要用户授权；录音仅在点击/快捷键触发时进行
网络	中	云端 ASR/LLM 时，本机 host 向你配置的 baseUrl 发起 HTTPS 请求
设置读写	中	读写自有 namespace asr-voice（含 API key，仅存本机服务端）
文件（诊断落盘）	中	转写失败 / 识别结果异常短 / 显式诊断抓取时，将原始录音写入 ~/.dsh/asr-voice-debug/（可用 DSH_ASR_DEBUG_DIR 重定向，自动裁剪至 100 个）；不执行命令、不读取其他凭据

已知风险：

• 若见「未检测到声音」之语，请将浏览器地址栏站点设置中的输入设备选为「内置麦克风」—— 远程控制/直播软件安装的虚拟音频设备常被误选，徒留静音寂寂；插件静音守卫会拦截此类录音并明言相告， 不向云端虚报。 If you see "no sound detected", pick the built-in microphone as the input device in the browser's site settings — virtual audio devices are often selected by mistake and record silence. The silence guard blocks such recordings and tells you plainly instead of wasting a cloud call.
• 浏览器 Web Speech 在 Firefox 不可用（提示改用云端）；识别质量取决于浏览器/服务商。 Web Speech is unavailable on Firefox (it will prompt you to use cloud ASR); recognition quality varies by browser and provider.
• 云端转写会把你的语音上传到所配置的服务商，请确认其隐私政策。 Audio is uploaded to your configured provider for transcription — review their privacy policy.
• API key 明文存于本机 DSH settings；仅本机回环可访问代理路由（信任围栏防 CSRF）。 API keys are stored in plaintext in local DSH settings; proxy routes are loopback-only (trusted-origin fence against CSRF).
• 动效为自研 GSAP 风格轻量动画模块（离线构建环境无 gsap 包可装），API 对齐 GSAP （to/fromTo/timeline），后续可一行替换为真 GSAP——不影响组件调用点。

开发 Development

• 构建：bash scripts/build.sh（自动选用 Node ≥18；依赖树经 junction 链接到已装兄弟插件 或 DSH_CHECKOUT，仅为构建期便利，与运行时无关）
• 类型检查：node_modules/.bin/tsc -p tsconfig.host.json --noEmit && node_modules/.bin/tsc -p tsconfig.client.json --noEmit
• 契约：本仓库 AGENTS.md 指向伞仓库 dsh-plugins/AGENTS.md（单一来源）

License

MIT