dsh-audio-copilot · 语音工作台

给纯文本模型补上"听"和"说"的能力——DeepSeek Harness(DSH)音频插件。 Audio Copilot: give your text-only agent ears and a voice.

纯文本模型(如 DeepSeek)无法直接理解音频,也无法朗读。本插件补上这两块,并附赠一个语音输入按钮:

工具 / 能力	做什么
🎤 语音输入按钮	聊天输入框旁的麦克风按钮:点击录音 → 自动转文字 → 填入输入框,说完即发
audio_probe	用 ffprobe 读音频元数据:容器 / 时长 / 编码 / 采样率 / 声道
audio_transcribe	音频 / 录音 → 文字(OpenAI 兼容 ASR 端点,可接 Whisper / SenseVoice / GLM-ASR)
audio_tts	文字 → 语音文件(默认 Windows 本地 SAPI,免 key 免联网;可选 Edge 在线 / OpenAI 兼容端点)
audio_ask	带时间锚定的音频问答:转写 → 关键词定位 → 返回命中片段与时间戳

✨ 特性

• 🎤 语音输入按钮:浏览器端麦克风录音 → host 转写 → 自动填入输入框(需浏览器麦克风权限 + 已配置 ASR key)
• 开箱即用:audio_tts 默认走 Windows 自带语音(SAPI),零配置零 key,离线可用
• 可插拔:ASR / TTS 全部 OpenAI 兼容,可配任意端点,不锁定厂商
• 三引擎 TTS:
  • sapi(默认):Windows 本地语音,免费离线,中文"Microsoft Huihui"、英文"Microsoft Zira/David"
  • edge:微软在线 TTS,免 key(需网络可达 speech.platform.bing.com)
  • openai:任意 OpenAI 兼容 /audio/speech 端点
• 失败要大声:缺 key / 缺 ffmpeg / 端点错误都给可操作的错误信息
• 对齐官方规范:Config schema 校验、effect 注册、纯 ESM、inject: ['tools']、dsh.client 浏览器半

📦 安装

前置:Node.js ≥ 20、ffprobe/ffmpeg 在 PATH(Windows 装 ffmpeg 后两者都有)。

# 方式一:本地源码(开发/迭代)
cd <插件父目录>
dsh plugin --profile web add ./dsh-audio-copilot

# 方式二:npm(发布后)
dsh plugin --profile web add dsh-audio-copilot

验证:

dsh --profile web --dump-config | grep audio-copilot

硬刷新浏览器(Ctrl+Shift+R) 或重启 DSH 后,四个工具进入 agent 工具列表。

⚙️ 配置

在 profile 的 cordis.patch.yml 里覆盖(所有键都有默认值,不配也能用 TTS):

- id: audio-copilot
  config:
    # ASR:OpenAI 兼容 /audio/transcriptions 端点
    asrBaseUrl: https://open.bigmodel.cn/api/paas/v4
    asrModel: glm-4v-asr
    asrApiKeyEnv: ZHIPU_API_KEY
    # TTS 引擎:sapi | edge | openai
    ttsEngine: sapi
    ttsBaseUrl: https://open.bigmodel.cn/api/paas/v4
    ttsModel: glm-tts
    ttsApiKeyEnv: ZHIPU_API_KEY
    ttsVoice: Microsoft Huihui Desktop

键	默认	说明
asrBaseUrl	https://open.bigmodel.cn/api/paas/v4	ASR 端点根(OpenAI 兼容)
asrModel	glm-4v-asr	ASR 模型名
asrApiKeyEnv	ZHIPU_API_KEY	持 key 的环境变量名
ttsEngine	sapi	TTS 引擎:sapi(本地)/ edge(在线)/ openai(兼容端点)
ttsBaseUrl	https://open.bigmodel.cn/api/paas/v4	openai 引擎端点
ttsModel	glm-tts	openai 引擎模型
ttsApiKeyEnv	ZHIPU_API_KEY	openai 引擎 key 环境变量
ttsVoice	Microsoft Huihui Desktop	默认音色
maxAudioBytes	26214400	转写文件大小上限
transcribeTimeoutMs	120000	ASR 超时
ttsTimeoutMs	90000	TTS 超时
maxSegments	20	audio_ask 返回的命中片段上限

🎯 使用示例

在会话里对模型说:

• 「把这个录音转成文字:C:\meeting.wav」
• 「读一下这段总结的语音版」
• 「这个会议录音里,3 分钟的时候说了什么?」
• 「把这段代码用语音念出来」

🛠 开发

pnpm install
pnpm run build      # tsc → dist/index.js(纯 ESM)
pnpm run typecheck  # tsc --noEmit

依赖对齐:@deepseek-ai/dsh-tools 锁定 0.1.0-rc.7(与你 DSH 同版本线,避免装两份模块)。

📄 License

MIT