dsh-speech-polish

给 DeepSeek Harness 内置的本地语音转写加一层术语纠错：同音字、近音字、专业名词、数字写法错误，在文字进入输入框之前就被修好。

不新增按钮、不换引擎、音频不出本机。

English

它解决什么问题

DSH 内置语音输入走的是本地 SenseVoiceSmall（int8，约 239 MB），日常对话够用，但专业词几乎必错。实测 4 句中文技术句（103 字，本地 SenseVoice，锁中文）：

配置	字错率 CER
原始识别（auto 语言）	16.5%
原始识别（锁 zh）	14.6%
调 VAD 阈值 / 放宽切段	16.5% ~ 17.5%（无收益）
+ 本插件纠错	术语命中 10/13 → 13/13

真实口述一轮（2026-10-27，本插件 0.2.1，宿主 Node v24.21）：

阶段	文本
底层 raw	把悬图的转速改成三天转，退火温度120度。
纠错后	把旋涂的转速改成3000转，退火温度120度。

同一句话里的两处错误都被修好，额外耗时约 1.0 秒。

它是怎么接进去的

DSH 的语音输入是一个服务 + 若干「识别器（provider）」。本插件注册一个新的 provider，内部：

麦克风 → 内置 SenseVoice（本地，音频不出机器）
        → 拿到文字 → 一次 temperature=0 的 LLM 纠错（带术语表）
        → 返回修正后的文字 → 输入框

所以你的界面完全不变：还是输入框那个麦克风，只是设置里的识别器多了一项。

安装

方式一：预构建包（推荐，免构建、不需要 git）

dsh plugin --profile <你的 profile> add https://github.com/KeinsteinNUS/dsh-speech-polish/releases/download/v0.1.0/dsh-speech-polish-0.1.0.tgz

方式二：从仓库装（走 https，需要本机能直连 GitHub）

dsh plugin --profile <你的 profile> add git+https://github.com/KeinsteinNUS/dsh-speech-polish.git

别用 github:KeinsteinNUS/dsh-speech-polish 这种简写——npm / pnpm 会把它解析成 SSH（git@github.com:...），没配 SSH key 的机器直接报 Permission denied (publickey)。

方式三：npm（发布到 npm 后可用）

dsh plugin add dsh-speech-polish

然后在 插件管理页 → 语音输入 Bundle 的详情里，把「识别器」选成 SenseVoice + glossary fix，语言选中文。

也可以直接写进 profile 的 cordis.patch.yml：

- id: speech-to-text
  config:
    defaultProvider: sensevoice-polish
    language: zh

重启桌面端（或改一下 cordis.patch.yml 触发宿主重新加载插件）后生效。

密钥

纠错这一步需要一个 OpenAI 兼容的 chat 接口。默认用 DeepSeek：

1. 插件配置里的 apiKey；
2. 环境变量 DEEPSEEK_API_KEY；
3. DSH 自己的凭据库 ~/.dsh/.credentials.yaml 中的 refs.DEEPSEEK_API_KEY（依次尝试 DSH_HOME、<用户目录>/.dsh、HOME/.dsh）。

三者都找不到时不报错，直接返回原始识别结果。

配置

写在 bundle patch 的 speech-polish 行的 config 里：

键	默认	说明
baseProviderId	sensevoice-local	底层识别器 id
providerId	sensevoice-polish	本插件注册的 id
label	SenseVoice + glossary fix	设置里显示的名字
model	deepseek-chat	纠错模型
baseURL	https://api.deepseek.com	OpenAI 兼容端点（可换任何厂商/自建网关）
apiKey	空	显式密钥，优先于环境变量与凭据库
timeoutMs	8000	单次纠错超时
minChars	4	短于此长度的文本不纠错（“嗯”“好的”）
maxGrowthRatio	0.6	输出相对原文允许的最大膨胀，超出即丢弃该次纠错
glossary	内置通用技术词表	你的领域术语，数组；替换内置表
instruction	空	追加给模型的额外要求（口吻、单位习惯等）
enabled	true	关掉后只做透传
traceFile	关闭	打开后把每步写入 JSONL，便于排查

领域术语表

内置表只有通用技术词。材料的、医疗的、法务的术语请自己加：

- id: speech-polish
  config:
    glossary: [液晶盒, 取向层, 旋涂, 退火, 相位延迟, 氧化铟锡, 偏振响应, 双折射]

术语表只用于“同音错写时该改成什么”，不会让模型无中生有——输出长度偏离原文 40%~160% 之外会被判定不可信并丢弃。

诊断

打开 traceFile 后，每个阶段一行 JSON：

event	含义
apply	插件被宿主加载并注册（含 node 版本、密钥来源、当前选中的识别器）
enter	有一次真实转写进入本 provider（说明它就是当前选中的那个）
raw	底层识别的原始文本
polished	纠错成功（耗时、是否改动、最终文本）
skip	主动跳过（too-short / disabled / no-api-key）
error	出错并已回退到原文（message 是真实原因）

判读：没有 apply = 没加载；有 apply 没 enter = 加载了但没被选中；有 enter + error = 纠错调用失败。

隐私与失败策略

• 音频不出本机。只有已经转好的文字会发给模型端点。
• 任何失败（网络、超时、输出离谱、没有密钥）都原样返回原始转写，不会让听写坏掉。
• 不写日志、不建索引；traceFile 默认关闭。

兼容性

• 依赖 @deepseek-ai/dsh-experimental-speech-to-text 暴露的 ctx.speechToText 服务（DSH 0.2.x）。
• 只在 Windows 桌面端实测（DSH 0.2.1-rc.3，宿主 Node v24.21）；理论上与识别器实现无关，换 baseProviderId 即可套在别的识别器外面。

开发

npm test          # 离线冒烟测试，桩掉模型端点，不需要网络与密钥

与其他语音插件的区别

社区里已有不少语音输入插件（dsh-ears、dsh-voice-scribe、dsh-voice-mic 等），它们大多另起一套麦克风与管线，用云端 ASR 或其它本地引擎替换内置方案。

本插件走另一条路：保留内置识别器，只给它补一个纠错层。适合这样的场景：接受本地小模型的识别率、但受不了专业词被写成同音别字；不想再挂一个麦克风按钮；不希望录音上传。

License

MIT