dsh-tts
English | 中文
dsh web 的语音播报插件：把每个助手答复的最终结果用 Edge TTS（微软神经语音）朗读出来，实现开口即答的语音交流。
- 真·Edge TTS：宿主（Node）端用微软 Edge “大声朗读” 神经语音接口在线合成 MP3，浏览器播放 —— 无需 OpenAI/第三方密钥，免费。握手用自实现的 RFC 6455 WebSocket（Node 原生 WebSocket / undici 会过滤微软必需的握手头导致升级被拒，手动握手实测返回 101）。
- 只读最终结果：中间步骤、工具调用说明不读；每个回合只朗读收尾那条最终答复；连续多回合只读最新一条。长回复自动按句子分段串行朗读。自动朗读失败会降级到浏览器本地
speechSynthesis（离线也能出声）。 - 音色/语速：内置
zh-CN-XiaoxiaoNeural等 20+ 个 Edge 神经音色，滑块调语速 (0.5×–2×)。 - 喇叭开关：输入框工具排的喇叭按钮（悬停有提示）快速开关「自动朗读新回复」；关闭时立即中断当前朗读。设置里与「自动朗读新回复」联动。
- 审批提示：遇到「需要审批」时朗读“需要审批”，可单独关闭；可自定义审批提示音（预设「叮/哔哔/咚」或用 Web Audio/上传 mp3/wav/ogg ≤1MB，选定即时试听）。
- 完全本地、零运行时依赖：Edge 协议用 Node 内置 API 原生实现，插件本体不含任何第三方 npm 依赖，离线也能安装。
dsh-plugin topic: (https://github.com/topics/dsh-plugin)
默认音色
zh-CN-XiaoxiaoNeural（晓晓）。如需更多官方音色，自行在src/voices.ts里追加 EdgeShortName即可。
设置界面
安装
前置要求：dsh 的应用闭包需包含插件的
@deepseek-ai/dsh-*peer 包——即任何带@deepseek-ai/dsh-web-appbundle 的部署（dsh web官方 profile 都满足）。
方式一：本地构建 tarball 后安装（最常用）
本项目当前以源码仓库形式发布，没有已构建的 release
tgz。你要先在仓库里构建出dsh-tts-0.1.0.tgz，再通过它安装。
克隆/进入仓库并构建：
git clone https://github.com/Vim0x3c/dsh-tts.git dsh-tts cd dsh-tts pnpm install pnpm build # tsdown：产出 lib/index.js、lib/client.js 等 npm pack # 生成 dsh-tts-0.1.0.tgz若你只想在本机用，也可以直接在仓库根执行
pnpm build拿到lib/；但安装到 dsh 建议用 tarball（npm pack生成）。安装到 web profile：
dsh plugin --profile web add -w ./dsh-tts-0.1.0.tgz-w标志是必须的：每个 profile 都带一个pnpm-workspace.yaml，pnpm 会把 profile 目录当作 workspace 根，裸add会报ERR_PNPM_ADDING_TO_ROOT。重启
dsh web（宿主端会在启动时加载插件）：dsh web # 或 dsh --profile web验证安装成功：
# ① 插件已在组合配置里（应看到 - id: dsh-tts） dsh --profile web --dump-config | grep dsh-tts # ② 宿主桥已起来（应返回 200 {"ok":true}） curl http://127.0.0.1:8765/health
方式二：git URL 安装（不推荐）
dsh plugin --profile web add github:Vim0x3c/dsh-tts
⚠️ 不推荐：从 git 安装取到的是源码而非构建好的
lib/，且插件的 peer 包未发布到 npm，git 安装通常无法构建或解析它们。请先本地构建 tarball 再按方式一安装。
卸载 / 重装
dsh plugin --profile web remove dsh-tts # 卸载
dsh plugin --profile web add -w ./dsh-tts-0.1.0.tgz # 重装（覆盖）
使用
- 打开 dsh web 的 设置 → 语音播报（见上方截图）。
- 打开 自动朗读新回复，先点 试听音色 确认能连通 Edge（首次会看到“正在朗读…”）。
- 之后每次助手给出最终答复，就会以所选音色自动朗读。
- 喇叭开关：输入框工具排里的喇叭按钮（悬停有提示），点一下开/关「自动朗读新回复」，关闭时立刻中断当前朗读。
- 自动朗读新回复：唯一总开关；关掉则助手答复不会自动读，但试听音色仍可手动触发。
- 审批提示朗读：遇到“需要审批”时语音提示，独立开关；可再设置「审批提示音」（预设或上传，选定即时试听）。
- 停止朗读：随时打断当前播放。
自动播放策略：浏览器通常要求页面有过一次用户交互后才允许自动播声音。因为你只有在发消息后才会收到答复，所以一般没问题；若仍被拦截，先在设置里点一次「试听音色」即可解锁。
语音输入（话筒/STT）暂未包含：浏览器
SpeechRecognition只在 Chrome/Edge 可用、Safari 不支持，且 dsh 无内置 STT。若需要语音输入，可参考 dsh-plugin-voice-input 或 dsh-voice。
开发
pnpm install
pnpm build # tsdown：产出 lib/index.js（宿主）、lib/invariant.js、lib/client.js（浏览器）
pnpm test # vitest：跑单元/回归测试
构建自包含（tsdown + lightningcss），无需 monorepo 检出。prepare 运行同一构建，因此允许的 git 安装也会产出产物。
本仓库本地
node_modules复用了dsh-skin-appearance的 pnpm store，是为了离线类型检查/构建；发布 tarball 时 peer 包不必打成依赖（它们由 dsh 应用闭包在运行时解析）。
工作原理
- 宿主一半（
lib/index.js）：启动一个仅绑定127.0.0.1的小型 HTTP 服务（探测端口 8765–8780），路由：GET /health—— 桥是否活着；POST /synthesize—— 传入{ text, voice, rate }，走原生 Edge 协议合成 MP3 返回。- CORS 已加固：仅反射白名单内的 dsh web 源，未知网页 Origin 直接 403；无 Origin（命令行）照常放行。
Edge 协议（
src/edge/）即 Edge 浏览器“大声朗读”所用接口：Sec-MS-GEC（SHA-256 FILETIME）+Sec-MS-GEC-Version鉴权、浏览器指纹握手头（Origin/User-Agent/Cookie: muid）、speech.config→ SSML 两条消息、二进制帧按「2 字节头长 + 内嵌Path: audio头 + MP3」解析拼装。WebSocket 用自实现的 RFC 6455 手动握手。零第三方依赖。
- 浏览器一半（
lib/client.js）：通过ctx.sessions订阅当前会话，识别每个回合的最终答复、只读最新一条、长文分段串行播放，fetch宿主桥取回 MP3 用隐藏<audio>播放。播放用“代次 token + AbortController”保证停止/打断竞态正确，停止也会一并静音审批提示音。朗读失败自动降级到浏览器 Web Speech API（speechSynthesis）。设置项持久化在浏览器 localStorage（dsh-tts.settings），因为 dsh web 宿主只向浏览器暴露固定白名单的 settings 命名空间，独立插件无法扩展（见api-proxy.ts的WEB_SETTINGS_NAMESPACES）。
已知限制
- Edge 云合成需要网络：宿主须能访问
speech.platform.bing.com。确认前请先用设置面板“试听音色”；若返回could not connect或 403，说明本机到 Edge 端点被网络/区域/防滥用机制拦下——此时会自动改用浏览器本地 Web Speech 语音，功能仍可用。 Sec-MS-GEC令牌已验证对齐当前edge-tts算法（SHA-256 FILETIME +Sec-MS-GEC-Version）。若微软再次轮换算法，改src/edge/token.ts一处即可（“试听音色”会立刻暴露 403）。- 只读当前会话：自动朗读跟随设置里正在查看的会话；后台会话的答复不会朗读。
- 进程内桥：桥服务随
dsh web宿主生命周期启停；停掉 dsh web 即关闭。 - 语音输入不在本插件内（见上文“使用”中的说明）。
License
MIT
No comments yet. Be the first to write one.