dsh-voice-scribe

dsh plugin --profile web add dsh-voice-scribe

dsh-voice-scribe









DSH 专属语音输入插件：点按或按住 Alt 说话、松开/再点按转文字，结果追加到输入框草稿末尾（不覆盖已输入内容）。

Voice input for DeepSeek Harness: tap or hold Alt to talk, get text in the composer.

⚠️ 非官方插件，与 DeepSeek / 深度求索公司无关联。使用前请阅读 [SECURITY.md](./SECURITY.md)。

安装 Install

官方插件面板（推荐）：dsh 侧边栏 → Plugins → 安装，填入下面任一种 spec——插件管理器同时支持 npm 包名与 GitHub 地址：

dsh-voice-scribe                      # npm 包名
github:PensiveFei/dsh-voice-scribe    # 直接从 GitHub 仓库装（会先做一次 git ls-remote 预检）

命令行：

dsh plugin --profile web add dsh-voice-scribe   # 重启 dsh web 后生效

桌面端（Electron）跑的是与 web 同一套宿主与插件体系（@deepseek-ai/dsh-desktop-host 依赖 dsh-app-boot / dsh-host-webserver / dsh-home-paths），同一个插件包两端通用。

使用 Usage

• 麦克风按钮：输入框右侧 🎤 图标，点击开始说话、再点停止并转写（按钮录音中变红）
• 热键：点输入框 → 按 Alt 开始说话 → 再按 Alt 结束并转写（备选 Alt+空格；设置 → 语音输入 → 热键可选「自定义」，录制任意组合键，如 Ctrl+Shift+V、F9、Alt+Space）
• 按住说话：设置 → 语音输入 → 触发方式 可选「按住说话」——按住热键录音、松开自动转写（麦克风按钮同样支持）；自定义组合键在按住模式下同样生效（松开组合键中的任意一键即结束）
• 实时中间结果：说话时识别文本实时出现在草稿里（浏览器引擎逐字、本地引擎每 3 秒刷新），停止后替换为最终结果
• 录音电平指示：录音中状态条下方显示实时电平条
• 麦克风设备：设置 → 语音输入 → 麦克风设备 可指定用哪一路输入，录音中状态条会显示实际生效的设备名（见下文「麦克风设备」）
• 最长录音时长：本地引擎约 4 分钟、云端 10 分钟，到时长自动停止并转写
• 切窗取消：录音中切到其他窗口自动取消本次录音（Alt+Tab 误触不会留下录音）

识别引擎 Engine（默认「自动」，零配置）

引擎 · 说明

自动（默认） · 本地离线识别优先；不可用时自动回退浏览器识别

本地离线识别 · SenseVoice，零配置零 key、音频不出本机；首次使用自动下载模型（约 230MB，国内镜像，只需一次）

浏览器 Web Speech · 零配置；依赖 Google/Microsoft 服务（国内 / Edge Stable 可能不可用）

云端 ASR（可选） · 服务链：可配置多个 OpenAI 兼容端点按序尝试、失败自动切换；需在设置中配置 API key

浏览器识别依赖外部语音服务（Chrome 在大陆被墙、Edge Stable 有已知回归），故默认以本地识别为主。

云端 ASR 服务链示例：Groq（免费层）→ 硅基流动 SenseVoice → 阿里云百炼，任一失败自动尝试下一个（设置 → 语音输入 → 云端 ASR）。

识别语言 Languages

支持 中文 / English / 粤语 / 日本語 / 한국어（设置 → 语音输入 可选）。本地离线识别自动检测语言；所选语言作用于浏览器与云端识别。

麦克风设备 Microphone

getUserMedia({ audio: true }) 的「默认设备」由浏览器决定，不等于 Windows 的默认设备：Chrome 优先用站点在 chrome://settings/content/microphone 里的选择，没有选择时按它自己 profile 里的设备排序——而排序第一名可能是纯静音的虚拟设备（典型：装过 Steam 之后的 Steam Streaming Microphone）。症状极具误导性：状态条显示「🎙 录音中…」、电平条不动、转写结果为空，看起来像插件坏了。

现在的行为：

• 设置 → 语音输入 → 麦克风设备：可选「系统默认（由浏览器决定）」或指定某一路输入（按浏览器持久化）；指定后以 deviceId: { exact } 精确请求，不再交给浏览器解析；
• 录音中状态条会显示实际生效的设备名（取自 track.label），设置页也会显示「上次录音实际使用的是：…」——设备选错一眼可见；
• 转写为空时，若这一轮采集到的峰值 ≈0，提示会追加「输入电平≈0」，把「录到了静音」和「识别没听清」区分开；
• 选定的设备被拔掉/禁用后会自动回退到系统默认设备并在状态条说明，不会卡在 OverconstrainedError 上；
• 设置页只用 enumerateDevices()，不会为了列设备而打开麦克风（未授权时显示占位名，授权一次后显示真实名称），并跟随蓝牙设备上下线自动刷新列表。

该设置作用于插件自己的录音路径（本地离线识别 / 云端 ASR，以及麦克风按钮在这些引擎下的录音）。浏览器 Web Speech 由浏览器直接采集，插件无法指定其设备——那条路径请改用浏览器的站点麦克风设置，或切换到本地/云端引擎。

排查顺序：

1. 先看设置页里的「实际使用的设备」是不是你想用的那一路，不是就直接选；

2. Chrome 用户再看一眼 chrome://settings/content/microphone（站点级选择优先于系统默认）；

3. Windows 还有按应用的设备策略：设置 → 隐私和安全性 → 麦克风 里给浏览器指定的设备优先于系统默认，且改系统默认无效，需要把该应用的选择清掉；

4. 电平条一动不动 + 提示「输入电平≈0」= 采集端本身就是静音（虚拟声卡、被静音的硬件、被独占占用），不是识别问题。

热词替换表 Hot Words（可选）

把识别错的人名、术语、项目名替换回来：编辑 $DSH_HOME/voice/hot.txt（每行一条，修改后下次转写生效）：

# 字面替换（不区分大小写）：正确词=错误词1|错误词2
DeepSeek=deep seek|迪普西克
王小明=王小铭

# 正则替换（标准 $1 语义；未写 flags 时默认全局替换，写 g/y 则按原样使用）
/老\s*师/老师/
/\{([^}]+)\}/【$1】/
/deep\s*seek/DeepSeek/gi

设置 → 语音输入 页面会显示热词表状态（规则条数 / 文件路径 / 解析错误）。云端与本地离线引擎的转写结果统一应用。

0.5.4 起，服务端热词处理在可终止工作线程中执行，保留现有正则与替换语法；

预算为 2 秒、64 MiB V8 老生代、最多 4 个并发和 1 Mi 字符输出。超时、取消或异常时

保留原始转写，警告只包含原因代码。直接导出的同步工具函数供可信程序调用，API 路由使用有预算的异步入口。

自定义润色提示词（可选）

设置 → 语音输入 → 开启润色后：

• 润色模型：下拉选择复用的 DSH 模型（选项来自 DSH 已配置的 provider，首次开启自动选中第一个）
• 润色提示词：可自定义（多行，保存在服务端）；留空或「恢复默认」使用内置的最小必要修正提示词

润色时会先做一步本地规则预润色（去「嗯/呃」等口头禅、折叠多余空格），再把更短更干净的文本交给 LLM，省 token；LLM 失败时仍保留原始转写。

隐私 Privacy

本地引擎音频不出本机；Web Speech 由浏览器语音服务处理；云端 ASR 的 key 只存服务端。

切换云端端点时需要重新确认该端点的 key，旧端点凭据不会被自动转发。

模型下载固定上游版本并校验大小及 SHA-256；已有缓存只做准确尺寸检查，避免状态轮询重复读取整个模型。

与预期大小不符的旧模型会要求重新下载。

与官方语音输入对比 Compare with the official voice input

DSH 从 0.1.7 起自带一个实验性的官方语音输入 —— @deepseek-ai/dsh-experimental-voice-input-bundle，同样使用本地 SenseVoice。它默认是关闭的，启用方式：

1. dsh 侧边栏 → Plugins → 打开 Voice Input（蓝色波形图标）

2. 按提示进入 bundle 详情 → Download and prepare 下载模型（会显示磁盘 / 内存 / 耗时预估，下载源可选 Automatic / Hugging Face / HF-Mirror）

3. 点模型选择器与发送键之间的 🎤 → 录音 → 点 Stop 把转写写进草稿

两者都用本地 SenseVoice、音频都不出本机，取舍如下（官方一列取自其 README 与 docs/subsystems/voice-input.md，截至 2026-09）：

· dsh-voice-scribe（本插件） · 官方 voice input（experimental）

获取 · 第三方插件，Plugins 面板 / npm 安装 · 随 dsh 分发，默认关闭，Plugins 面板启用

识别引擎 · 本地 SenseVoice 离线默认 + 浏览器 Web Speech 回退 + 云端服务链（多 provider 故障切换） · 本地 SenseVoice；云端识别需自行注册 provider 与凭据

触发方式 · Alt 热键（可自定义任意组合键）/ 按住说话 / 🎤 按钮 · 🎤 按钮 → 录音工具条 → 点 Stop

实时上屏 · ✅ 边说边出（浏览器引擎逐字、本地引擎每 3 秒） · ❌ 官方列为未做（no streaming captions）

热词 / 规则替换 · ✅ hot.txt（字面 + 正则，默认全量替换） · ❌

润色 · ✅ 复用 DSH 模型 + 本地规则预润色（省 token） · ❌

语言 · 中文 / English / 粤语 / 日本語 / 한국어 可切换 · 取决于 provider 声明的 languages

设备与诊断 · 设备选择器 + 录音中显示实际设备名 + 电平峰值归因 · 工具条内有电平；未见设备选择

模型准备体验 · 首次使用后台下载 + 进度轮询 · **步骤清单

…(truncated)