dsh-voice-suite

Readme

# dsh-voice-suite · 语音套件

[English](#english) | 中文

DSH（DeepSeek Harness）语音交互套件：**免费微软神经音色的页内播报** + **快捷键语音输入**，基于
[dsh-speech-plugin](https://github.com/huangdejie/dsh-speech-plugin)（MIT）定制增强，edge-tts
协议实现收编自 [dsh-voice](https://github.com/STARDUSTLC666/dsh-voice)（MIT）。

## 功能

- 🔊 **每条回复可播报**：消息操作条的喇叭按钮，页内直接朗读（自动剥离 markdown/表情，跳过代码块）
- 📣 **自动播报开关**：会话头部开关，开启后新回复自动朗读（浏览器本地记忆）
- 🆕 **edgetts 免费引擎**：页内播报走微软 edge-tts 协议——22+ 神经音色、可调语速音调、
  **零 API key、零成本、无限量**；也可切换系统音色 / 阿里百炼 / 火山豆包
- 🎤 **语音转文字（语音输入）**：麦克风 → 阿里百炼 `paraformer-realtime-v2` 实时识别 → 文字进输入框，
  实时出字、句末自动加标点；也可切换火山豆包。链路：`麦克风 → 浏览器采集 PCM → 插件 WebSocket →
  百炼实时识别 → 文字落入输入框`
- ⌨️ **键盘快捷键**（默认 `Alt+Q`）：**轻按** = 开始/结束录音；**长按 ≥300ms** = 按住说话松开结束
- 📤 **录音结束自动发送**（可关）
- 🛑 **录音自动打断播报**：开始说话即停朗读，防回声串台

## 安装

```sh
npx -y @deepseek-ai/dsh plugin --profile web add <你的GitHub用户名>/dsh-voice-suite
# 或本地目录
npx -y @deepseek-ai/dsh plugin --profile web add /path/to/dsh-voice-suite
```

语音输入需要 ASR 密钥（页内播报不需要，edgetts 完全免费）：

```sh
# ~/.dsh/.env
SPEECH_DASHSCOPE_API_KEY=sk-...      # 阿里百炼（推荐，每月免费 10 小时）
# 或 SPEECH_VOLCENGINE_API_KEY=...
```

### 语音识别引擎说明（ASR）

语音输入（麦克风 → 文字）默认使用**阿里云百炼**的实时语音识别大模型：

| 项目 | 说明 |
|---|---|
| 默认模型 | `paraformer-realtime-v2`（百炼实时识别，中文标点自动加） |
| 免费额度 | **每月 36,000 秒（10 小时）**，每月 1 日自动发放 |
| 超出计费 | 0.00024 元/秒 ≈ 0.86 元/小时，按实际秒数 |
| 申请入口 | [百炼控制台](https://bailian.console.aliyun.com) → API-KEY（`sk-` 开头） |

也可切换火山豆包（`asrEngine: volcengine`，需控制台 API Key）。
换识别模型：配置项 `dashscopeAsrModel`（默认 `paraformer-realtime-v2`）。

> 注意：百炼账户**欠费会同时禁用语音输入**（Arrearage 策略），语音输入突然失效先查控制台余额。

## 配置（profile 的 cordis.patch.yml）

```yaml
- id: ui-speech
  name: dsh-voice-suite
  config:
    engine: edgetts                  # auto | system | dashscope | volcengine | edgetts
    edgeVoice: zh-CN-XiaoxiaoNeural  # 微软神经音色，400+ id 可选
    edgeRate: '+20%'                 # 语速 -50% ~ +100%
    edgePitch: '+0Hz'                # 音调
    asrEngine: dashscope             # auto | off | dashscope | volcengine
```

浏览器端个人化（F12 控制台设置，刷新生效）：

```js
localStorage.setItem('dsh.speech.micHotkey', 'Ctrl+M')  // 换快捷键
localStorage.setItem('dsh.speech.autoSend', '0')        // 关自动发送
```

## 常用音色

| 音色 id | 声音 |
|---|---|
| `zh-CN-XiaoxiaoNeural` | 晓晓 · 温柔女声 |
| `zh-CN-YunjianNeural` | 云健 · 浑厚男声 |
| `zh-CN-YunyangNeural` | 云扬 · 新闻男声 |
| `zh-CN-liaoning-XiaobeiNeural` | 晓北 · 东北话 |
| `zh-CN-shaanxi-XiaoniNeural` | 晓妮 · 陕西话 |
| `zh-HK-HiuMaanNeural` | 曉曼 · 粤语 |
| `en-US-AriaNeural` | Aria · 美式英语女声 |

完整清单见微软 [Speech 服务语音目录](https://speech.microsoft.com/portal/voicecreation)，合法 id 均可填。

## 许可

MIT。衍生自两个 MIT 上游项目（见 [LICENSE](LICENSE)）。

---

# English

# dsh-voice-suite

A speech interaction suite for DSH (DeepSeek Harness): **free Microsoft-neural-voice
in-page announce** + **hotkey voice input**, customized from
[dsh-speech-plugin](https://github.com/huangdejie/dsh-speech-plugin) (MIT), with the
edge-tts protocol implementation adopted from [dsh-voice](https://github.com/STARDUSTLC666/dsh-voice)
(MIT).

## Features

- 🔊 Speak any reply in-page via the per-message horn button
- 📣 Session-level auto-announce toggle (persisted per browser)
- 🆕 **edgetts engine**: page announce over the Microsoft edge-tts protocol —
  22+ neural voices, adjustable rate/pitch, **no API key, no cost, unlimited**;
  system voices / Aliyun DashScope / Volcengine remain selectable
- 🎤 **Speech-to-text voice input**: mic → Aliyun Bailian
  `paraformer-realtime-v2` realtime ASR → text lands in the composer with live
  partials and auto punctuation; Volcengine also selectable. Pipeline:
  `mic → browser PCM capture → plugin WebSocket → Bailian realtime ASR → composer`
- ⌨️ **Hotkey** (default `Alt+Q`): tap = toggle; hold ≥300ms = push-to-talk
- 📤 Auto-send the transcript when recording ends (disable via localStorage)
- 🛑 Recording interrupts any in-flight announce (echo guard)

## Install

```sh
npx -y @deepseek-ai/dsh plugin --profile web add <your-github-user>/dsh-voice-suite
```

Voice input needs an ASR key (announce does not — edgetts is free):

```sh
# ~/.dsh/.env
SPEECH_DASHSCOPE_API_KEY=sk-...
```

## Configuration

See the YAML block above; row id is `ui-speech`, engine values
`auto | system | dashscope | volcengine | edgetts`.

Voice input defaults to Aliyun Bailian (DashScope) realtime ASR — model
`paraformer-realtime-v2`, free tier 36,000 seconds (10 h) per month, then
¥0.00024/s; get an `sk-` key at the [Bailian console](https://bailian.console.aliyun.com).
Full details in the Chinese section above.

## License

MIT. Derives from two MIT upstreams (see [LICENSE](LICENSE)).