dsh-voice-input

DSH（DeepSeek Harness）语音输入插件：点一下麦克风，说话，文字自己进输入框。

做给谁用的：打字慢、不方便打字、或者单纯懒得敲键盘的人。

我见过不少长辈和刚接触电脑的人，用输入法一个字一个字找拼音，一句话打完要半分钟。语音输入这东西对他们来说不是"效率工具"，是"能不能用得起来"的问题。但现成的语音输入方案要么不准（中文稀烂），要么要翻墙，要么把音频传去别人服务器。这个插件就是把这事在本地解决掉。

---

它能做什么

• 在 DSH 聊天输入框旁边点麦克风，说话，文字自动填进输入框，全程不碰键盘
• 中文识别靠谱：本地 Whisper 模型 + 强制简体输出
• 安静环境下不会"脑补"：没说话就是没说话，不会突然给你冒出一段莫名其妙的话
• 全程本地跑：音频不出本机，不传云端，不要 API Key 也能用
• 国内网络友好：模型走 ModelScope 下载，不需要翻墙

优点（说点实在的）

1. 真的简单。整个操作就两步：点麦克风 → 说话 → 再点停止。停止就是"确定"，取消就是"不要了"，没有第三个选项。界面是一个贴在麦克风按钮下面的小白卡片，不弹大窗口、不挡聊天内容。
2. 中文准，而且一定是简体。识别完强制转简体（OpenCC），不会给你输出一堆繁体字让你再翻译一遍。默认模型 small，普通话日常口述够用；想要更准就改一行配置换 medium。
3. 不会乱说话。Whisper 在音频太安静或噪音大的时候有个毛病：自己编一段话输出，比如你在咳嗽，它给你来一句"谢谢大家的关注"。这个插件加了防幻觉参数，静音就返回空、提示"未识别到语音"，而不是给你塞一段编的。
4. 快。模型只加载一次（常驻进程），之后每次转写毫秒级。不是每次点完等十秒转圈那种。
5. 隐私。默认纯本地：录音在你电脑上，转写在你电脑上，只有文字进了 DSH。不想要本地也行，配置里填一个云端 API（Groq 免费）就能切过去，速度更快。
6. 不折腾网络。模型从 ModelScope 下载，国内直连，装完一次以后不用管。

安装

前置条件

东西	要求	说明
DSH	任意可用版本	DeepSeek Harness 桌面端
Python	3.10+	本地语音识别需要；首次使用会自动装依赖
麦克风	正常工作的麦克风	笔记本自带 / 外接都行

没有 Python 的话，去 python.org 下一个 3.10+ 装上，安装时勾选 "Add Python to PATH"。

方式一：从 GitHub 安装（推荐）

打开终端（Windows 用 PowerShell 或 CMD），执行：

dsh plugin --profile web add github:你的用户名/dsh-voice-input

如果你在 Web 界面模式下使用，把 web 换成你的 profile 名（一般就是 web）。

方式二：手动安装

1. 把本仓库整个下载解压，文件夹改名 dsh-voice-input
2. 放到 DSH 插件目录：~/.dsh/profiles/web/plugins/dsh-voice-input
3. 重启 DSH

首次使用（自动配置）

第一次点麦克风时，插件会自己干活，你什么都不用管：

1. 自动检查 Python 依赖（faster-whisper、modelscope 等），缺了自动装
2. 自动从 ModelScope 下载 Whisper 模型（默认 small，约 480MB，取决于网速）
3. 装完就能用

下载期间界面会提示进度，耐心等一两分钟。之后再点就是秒开了。

使用

点击输入框右侧的麦克风图标，按钮下方会弹出一个小白卡片：

[🎤 音量条]  [00:07]  [■] [✕]

• 左边是麦克风图标和音量条，说话时它会跟着你声音起伏，能直观确认麦克风在收音
• 中间是录音时长 分钟:秒
• 右边两个小圆钮：红色方块 = 停止并出字，灰色 × = 取消（丢弃，不留痕）
• 录满 60 秒会自动停止并转写，不用一直按着

转写完成后文字直接进输入框，你可以改完再发送。取消就真的什么都不要了，不会把一段错误文字塞给你。

配置（可选）

不加配置文件也能用，默认本地 small 模型。想自定义就复制 config.example.json 为 config.json（放在插件目录下），改完重启 DSH。

切换本地模型

{
  "local": {
    "model": "medium",
    "language": "zh",
    "device": "cpu",
    "computeType": "int8"
  }
}

模型	大小	中文准确率	速度	内存
tiny	~75MB	差	最快	~150MB
base	~145MB	一般	快	~250MB
small	~480MB	还行（默认）	中等	~500MB
medium	~1.5GB	好	较慢	~1.5GB
large-v3	~3GB	最好	最慢	~3GB

模型只下载一次，换模型不用重新下载别的（除了第一次）。内存不够就 small，想更准就 medium。

用云端 API（更快，可选）

本地模型对老电脑可能偏慢，想要更快更准可以接云端，配置 API Key 即可：

• Groq（免费，Whisper Large v3）：去 console.groq.com 注册拿 Key
• SiliconFlow（SenseVoice，中文优化，有免费额度）：去 siliconflow.cn 注册

{
  "api": {
    "provider": "groq",
    "apiKey": "gsk_your_key_here"
  }
}

设计理念

做这个插件的时候，我一直在想一个问题：一个"打字困难"的人，第一次用这个东西，什么样的体验算好？

结论是这几个，也是这个插件的设计取舍：

1. 能不动手就不动手。 录音的启动/停止就是两次点击，没有多余的确认弹窗、没有设置向导。界面只有一个白色小卡片，贴在麦克风按钮正下方，因为你刚点完按钮，视线就在那里——这比弹一个屏幕中央的大面板更不打扰，也是参考了 Workbuddy 自己的交互习惯。

2. 结果必须"干净"。 这是踩过坑的：Whisper 对静音和噪声会幻觉出整段编造的文字，繁体字也时有出现。对会用电脑的人来说，乱字可以删；对小白来说，屏幕上出现一段"我没说过的字"，第一反应是"我是不是说错了？是不是我电脑坏了？"——这很劝退。所以防幻觉参数和强制简体转换不是锦上添花，是必需品。

3. 本地优先，隐私和免费都不含糊。 语音是敏感数据，默认全本地处理，不依赖任何云服务。国内网络环境下的模型下载（ModelScope）也专门处理过，不至于装个插件先研究怎么翻墙。想要云端的快就自己开，选择权留给用户。

4. 技术为体验服务，不炫技。 常驻服务（模型只加载一次）、贪心解码、Windows 下麦克风权限的绕行方案（webview 不给权限弹窗，就改用系统级录音）——这些技术细节的唯一目的，是让"点一下、说话、出字"这个动作真的快、真的稳。用户不该感知到它们的存在，它们只负责不让用户等。

常见问题

Q：转写出来一堆问号方块/乱码？ A：Windows 下 Python 默认输出 GBK 编码导致。这个插件已经内置了编码修复，如果还遇到，确认你的 Python 是 3.10+ 并重启 DSH。

Q：转写出来不是我说的话？ A：这是 Whisper 的幻觉，通常发生在音频太安静或噪音大时。先确认音量条在说话时确实在跳动（说明收音正常），再确认周围环境别太吵。插件已加防幻觉，静音时会提示"未识别到语音"而不是乱出字。

Q：内存占用高？ A：默认 small 模型约 500MB，模型常驻是为了转写速度快。介意的话换 tiny/base（省一半以上），或者用云端 API（本地完全不占）。

Q：没声音/麦克风没反应？ A：先看音量条动不动。不动就检查系统麦克风权限（设置 → 隐私 → 麦克风），确保 DSH 和 Python 都有权限。

Q：模型下载太慢？ A：用的是 ModelScope 国内节点，一般不会太慢。如果网络环境特殊，可以挂代理后重试。

技术栈

• 录音：Python sounddevice 直录系统麦克风（16kHz 单声道），绕开 webview 麦克风权限限制；实时计算 RMS 音量驱动 UI 动画
• 转写：faster-whisper（CTranslate2），int8 量化，VAD 过滤，贪心解码
• 常驻服务：server.py 模型加载一次，stdin/stdout JSON 行协议循环处理，空闲 30 分钟自动退出
• 简体转换：OpenCC t2s
• 防幻觉：no_speech_threshold / log_prob_threshold / compression_ratio_threshold
• 云端可选：OpenAI 兼容 API（Groq / SiliconFlow）
• 降级链：云端 API → 本地常驻服务 → 本地一次性进程 → 可读错误提示

文件结构

dsh-voice-input/
├── package.json          # 插件元数据
├── cordis.patch.yml      # DSH bundle 补丁
├── config.example.json   # 配置模板
├── lib/
│   ├── index.js          # 服务端：HTTP 路由 + ASR 逻辑 + 常驻服务管理
│   ├── client.js         # 客户端：录制面板 UI（音量动画 / 计时 / 停止 / 取消）
│   ├── record.py         # 系统录音 + 实时音量输出
│   ├── server.py         # 常驻转写服务（模型加载一次）
│   └── transcribe.py     # 一次性转写（常驻服务不可用时的回退）
└── README.md

License

MIT