Voice Audio Rus
Голосовой ввод для DeepSeek Harness с локальным Whisper. Русский язык — приоритет: распознавание, шумоподавление, тест микрофона и сравнение движков.
Что это
Плагин к DSH (Cordis-бандл: хост-часть + web-клиент), который добавляет диктовку в композер и полный контроль над звуком. Рассчитан в первую очередь на русскую речь: по умолчанию включены русский язык и локальная модель Whisper.
Совместим с DSH 0.2.1-rc.5 (линейка 0.2.x): контракт speechToText, Remote-схемы
(speech/catalog, speech/prepare, speech/transcribe) и слоты
conversation.input.activity / plugins.bundle.config проверены на этом релизе.
- кнопка микрофона в поле ввода → запись → распознавание → вставка текста с проверкой ревизии черновика;
- режим реального времени: текст дописывается в конец черновика сразу, кусками по ~1.5 с речи (и раньше, если вы замолчали) — без кнопок «Вставить»;
- быстрые настройки у микрофона: правый клик по кнопке открывает меню — режим,
модель, язык, облачные параметры; у облачного провайдера список моделей подтягивается
из
/modelsавтоматически, и панель сама предлагает лучшую для диктовки; - локальные модели Whisper (tiny/base/small) через
sherpa-onnx, уже входящий в DSH — скачивание одной кнопкой, без Python и компиляторов; - шумоподавление: RNNoise (WASM), обрезной фильтр, шумовой гейт, AGC;
- живой тест микрофона: дБ до и после подавления, калибровка шумового порога;
- сравнение провайдеров: одна запись — все движки распознают её независимо;
- push-to-talk, авто-стоп по тишине, авто-пунктуация, словарь замен.
Возможности
| 🎙 Диктовка | кнопка в композере, таймер, уровень, отмена/повтор, вставка в черновик |
| ⏱ Реальное время | текст в черновике каждые ~1.5 с речи: без ожидания паузы и без кнопки «Вставить» |
| 🛑 Стоп в живом режиме | вручную или автоматически, когда вы замолчали (порог — «Пауза до остановки») |
| 🎛 Два меню | удержание кнопки — выбор режима; правый клик — модель, язык, облако и ссылка на все настройки |
| 🔵 Индикатор режима | значок у микрофона и в строке записи: живой режим или по кнопке, таймер авто-стопа |
| 🇷🇺 Русский | ru по умолчанию, автоопределение языка, локальная модель без облака |
| 🔊 Шумоподавление | RNNoise с регулировкой силы, high-pass, гейт, AGC, входное усиление |
| 📈 Тест микрофона | уровень «до» и «после» обработки, дБ, калибровка «Обрезать шум» |
| ⚡ Push-to-talk | удержание/переключение, запись сочетания клавиш |
| 🤫 VAD | авто-стоп по тишине с настраиваемой паузой и порогом |
| 📝 Текст | авто-пунктуация, удаление заиканий, словарь «услышано → вставить» |
| 🧪 Сравнение | один WAV → все провайдеры, с задержкой и текстом каждого |
Быстрый старт
Клонировать репозиторий не нужно: скрипт сам скачает свежие исходники с GitHub,
найдёт dsh, угадает профиль (настольное приложение → desktop, иначе web),
поставит плагин и добавит бандл в dsh.profile.bundles.
Windows (PowerShell):
irm https://raw.githubusercontent.com/Vasyarot/voice-audio-rus/main/install.ps1 -OutFile "$env:TEMP\voice-audio-rus.ps1"
powershell -ExecutionPolicy Bypass -File "$env:TEMP\voice-audio-rus.ps1"
macOS / Linux:
curl -fsSL https://raw.githubusercontent.com/Vasyarot/voice-audio-rus/main/install.sh | bash
Повторный запуск — это обновление: архив перекачивается, пакет в профиле переустанавливается на новую версию.
Если хотите править код — клонируйте и запустите скрипт из репозитория,
он возьмёт локальную папку plugin/ вместо загрузки:
git clone https://github.com/Vasyarot/voice-audio-rus && cd voice-audio-rus
./install.sh # .\install.ps1 в Windows
| PowerShell | shell | Что делает |
|---|---|---|
-Profile web |
--profile web |
другой профиль (desktop, web, свой) |
-Copy |
--copy |
копировать файлы вместо симлинка (как в релизе) |
-Uninstall |
--uninstall |
убрать плагин из профиля |
-Dsh <path> |
--dsh <path> |
явный путь к dsh |
-DryRun |
--dry-run |
показать план и ничего не менять |
-Version v0.3.0 |
--version v0.3.0 |
тег или ветка GitHub вместо main |
-Source <dir> |
--source <dir> |
поставить из своей папки |
-FromGitHub |
--from-github |
игнорировать локальный клон, скачать заново |
-Dest <dir> |
--dest <dir> |
каталог кеша скачанных исходников |
Кеш исходников: %LOCALAPPDATA%\VoiceAudioRus\src (Windows),
~/Library/Application Support/VoiceAudioRus/src (macOS),
~/.local/share/voice-audio-rus/src (Linux).
Перезапустите DSH (правка клиента подхватывается и по Ctrl+R), откройте
Плагины → Voice Audio Rus и нажмите «Скачать все модели» — загрузка
модели начнётся с прогресс-баром.
# настольная версия
dsh plugin --profile desktop add "link:D:\path\to\voice-audio-rus\plugin"
# web-версия
dsh plugin --profile web add "link:D:\path\to\voice-audio-rus\plugin"
Затем убедитесь, что имя dsh-plugin-voice-studio есть в dsh.profile.bundles
в ~/.dsh/profiles/<профиль>/package.json (страница Plugins делает это сама,
ручной dsh plugin add — нет). Для macOS/Linux путь указывается в POSIX-виде:
link:/Users/you/voice-audio-rus/plugin.
Локальные модели
| Провайдер | Загрузка | Качество ru | Когда выбирать |
|---|---|---|---|
| Whisper TINY | ≈ 100 МБ | базовое | быстрый старт, короткие команды |
| Whisper BASE | ≈ 155 МБ | хорошее | по умолчанию, баланс |
| Whisper SMALL | ≈ 360 МБ | очень хорошее | максимум качества офлайн |
| Облако (опция) | 0 | зависит от модели | максимальная точность, ключ на хосте |
Модели качаются один раз в %USERPROFILE%\.dsh\speech-to-text\whisper\<модель>
(Hugging Face или зеркало hf-mirror). Сравнение движков и альтернативы
(Vosk, GigaAM, Silero) — в docs/local-stt-options.md.
Архитектура
flowchart LR
A[Микрофон] --> B[Web Audio: high-pass → gain → RNNoise]
B --> C[Analyser: дБ до/после]
B --> D[MediaRecorder → WAV 16 kHz]
D --> E[Remote speech/transcribe]
E --> F{Провайдер}
F -->|локально| G[sherpa-onnx Whisper]
F -->|облако| H[OpenAI-compatible API]
G --> I[Текст в черновик]
H --> I
Настройки
- Модели распознавания речи — провайдер, статус, прогресс загрузки, подготовка.
- Режим диктовки — «по кнопке» или «в реальном времени», максимум фразы (по умолчанию 1.5 с), пауза для вставки и авто-остановка живого режима по тишине.
- Микрофон — устройство, тест с двумя измерителями, одна кнопка шумоподавления.
- Сравнение моделей — прогон одной записи по всем движкам с задержкой и текстом каждого.
- Шумоподавление и обработка — RNNoise (сила), high-pass, гейт, AGC, лимитер.
- Тишина и клавиши — авто-стоп, пауза до остановки, порог, push-to-talk.
- Текст — пунктуация, заикания, словарь замен.
- Сброс — одна кнопка с подтверждением; модель, язык и ключ остаются.
Быстрый доступ к микрофону:
- короткий клик — запись в текущем режиме;
- удержание — меню режима: «По кнопке» или «В реальном времени» (без дублей, только выбор);
- правый клик — быстрые настройки: модель распознавания, язык, облачные параметры и ссылка «Все настройки →»;
- значок режима рядом — тоже меню режима, синий «кнопка» / зелёный «живой»;
- полная страница настроек — ссылка в меню или шестерёнка в строке записи.
Облачный провайдер
Настраивается прямо в плагине — в поповере у микрофона или в Плагины → Voice Audio Rus → «Редактировать модель»:
- Base URL —
https://api.openai.com/v1или адрес своего shim-сервера; - Модель —
whisper-1,gpt-4o-transcribeили имя модели на вашем сервере; - Ссылка на ключ — имя записи в хранилище (по умолчанию
OPENAI_API_KEY); - Ключ API — сохраняется в защищённом хранилище DSH (credentials). В конфиг попадает только имя ссылки, значение никогда не возвращается в интерфейс и не пишется в логи.
Как только заполнены Base URL и ключ, плагин сам запрашивает <Base URL>/models, запоминает
список и автоматически выбирает модель для диктовки: сначала явные STT-модели
(whisper, transcribe, stt), среди них — более новые и крупные (turbo/large), а
tts, embeddings и прочее неречевое отбрасывается. В списке рекомендация помечена «★ лучшая
для речи», выбор можно изменить вручную.
Параметры применяются сразу, без перезапуска. Резервный путь — переменная окружения с тем
же именем ([Environment]::SetEnvironmentVariable('OPENAI_API_KEY', 'sk-...', 'User')).
Разработка
node tools\build.mjs # client.js из src/client (esbuild)
node tools\whisper-test.mjs # провайдер Whisper с фейковым sherpa
node tools\unit-test.mjs # текст, WAV, DSP, режим реального времени, рейтинг моделей
node tools\smoke-client.mjs # загрузчик + SSR-рендер слотов и поповера
Структура:
plugin/
index.js # хост: регистрация провайдеров
whisper-local.js # локальный Whisper (скачивание, sherpa-onnx)
client.js # собранный клиент
cordis.patch.yml # строки профиля
src/client/ # UI, аудио-конвейер, настройки
assets/ # RNNoise wasm + worklet
docs/ # web-страница, сравнение STT и проверки
tools/ # сборка и тесты
Приватность
- Аудио живёт в памяти вкладки и в запросе к выбранному провайдеру.
- Локальные модели обрабатывают звук на машине хоста, без сети после загрузки.
- Распознанный текст нигде не сохраняется: он сразу вставляется в черновик.
Ограничения
- Режим реального времени — не потоковый ASR: речь режется на куски (по умолчанию 1.5 с, раньше — по паузе 400 мс), каждый кусок распознаётся целиком и сразу вставляется в конец черновика. Слова на стыке кусков могут потеряться: для точности поднимите «максимум фразы» до 3–4 с в настройках режима.
- Живой режим останавливается кнопкой или, если включена «Остановка по тишине», после паузы из раздела «Тишина и клавиши» (по умолчанию 1.8 с).
- Локальный Whisper не потоковый: в режиме «по кнопке» распознаётся запись целиком (до 5 минут).
- На слабом CPU
smallможет быть медленнее реального времени — тогда живой режим отстаёт; для него лучшеtiny/baseили облако. - Не включайте одновременно официальный
dsh-experimental-voice-input-bundle— он вставляет те же строки службы распознавания.
Лицензия
MIT — см. LICENSE. Сторонние компоненты и лицензии — plugin/THIRD_PARTY_NOTICES.md.
No comments yet. Be the first to write one.