dsh-dafeiyu-pro 🐋🎙️

给「大肥鱼」桌宠加上语音能力 —— 基于 QCYTSN/dsh-dafeiyu 的二次开发。

⚠️ 这是一个 fork，不是原创项目。 原项目 dsh-dafeiyu 由 @QCYTSN 开发，MIT 协议。本仓库在其基础上增加语音交互能力，遵循同样的 MIT 协议。

这是什么

DeepSeek Harness 的桌面伴侣插件。

原版 dsh-dafeiyu 会显示 Agent 的实时状态（思考、改文件、等确认、出错），它有一个透明置顶的原生窗口，还能看余额。

本项目要做的，是让它能听、能说：

你叫「大肥鱼」
    ↓
它回「我在」
    ↓
你说话 → 流式识别 → 意图分流
    ↓
    ├─ 闲聊 → 直连 LLM → 1~2 秒回话
    ├─ 查数据 → 调天气/搜索 API
    └─ 长任务 → 派给 DSH agent，先垫一句「好的，我看看」
    ↓
流式合成，边收边播，可以中途打断

与上游的关系

来源

项目	地址	说明
上游	QCYTSN/dsh-dafeiyu	原作者，MIT
本仓库	cooleye/dsh-dafeiyu-pro	二次开发

我们改了什么

领域	上游	本项目
语音唤醒	❌	🔨 开发中
语音识别	❌	🔨 开发中
语音合成	❌	🔨 开发中
意图分流	❌	📋 规划中
长期记忆	❌	📋 规划中
状态显示	✅ 完整	✅ 保持不变
桌宠动画	✅ 完整	✅ 保持不变

我们没改什么

动画素材：仍然来自上游，原始出处是 PC2005-cloud/dsh-pet（MIT）
图标、光标、音效：保持不变
状态机核心：companion-reducer.js 的逻辑保持上游实现

当前进度

阶段	内容	状态
—	Fork 上游代码	✅ 完成
Phase 0	唤醒词 PoC	✅ 完成（实测 3/3 命中）
Phase 1	音频栈 + 本地出声	✅ 完成（唤醒→回应已跑通）
Phase 2	云端流式 ASR	✅ 完成（连续多段已修好）
Phase 3	对话闭环（LLM + TTS）	✅ 完成（能真聊了）
Phase 4	分级路由（闲聊/查询/干活）	✅ 完成（8/8 测试通过）
Phase 5	长期记忆	⬜ 未开始

已跑通的完整链路

说「大肥鱼」
    ↓
本地 KWS 命中（零云端调用）
    ↓
回「我在」
    ↓
进入听写态，VAD 断句
    ↓
阿里云 paraformer 流式转写
    ↓
💬 你说：今天天气怎么样？
    ↓
🧭 意图分流
    ├─ chat → 直连 LLM 0.5~1s
    ├─ data → LLM + 搜索工具，1~2s
    └─ task → DSH agent，先垫一句「好的，我看看」
    ↓
按句切分 → qwen3-tts 合成 → 逐句播放

实测数据：

项目	结果
唤醒	3/3 命中
ASR 准确度	「今天天气怎么样？给我讲个故事呗。」全对，带标点
ASR 速度	2.89 秒音频 → 0.97 秒转完（3× 实时）
LLM 首字	0.25~0.33 秒
工具调用	问天气自动触发搜索，1.34 秒出结果
TTS 合成	6.64 秒音频 / 1.5 秒合成（4.4× 实时）
端到端开口	约 2 秒（闲聊）/ 1.3 秒（带搜索）
DSH agent	简单任务 4.3 秒，长任务有两级垫场
连续多段识别	6 段全部正确，会话不串
自动化测试	17 个用例全过（不联网、不用麦克风）

⚠️ Windows 音频独占：MME / DirectSound / WASAPI 都可能被别的程序（比如 DSH 自己的语音输入）独占，只有 WDM-KS 能稳定打开。本项目已做自动降级。

⚠️ 模型可用性：这个 key 上 qwen-turbo 长期 429， qwen-flash / qwen-plus / qwen-max 可用。默认用 qwen-flash。

三级路由的意义

路径	触发	延迟	谁在干活
chat	寒暄、情绪、玩笑	0.5~1s	直连 LLM
data	天气、新闻、实时信息	1~2s	LLM + 搜索工具
task	写文档、改代码、做开发	垫场即时	DSH agent

为什么不统一走 agent：DSH agent 能干活但一次几十秒，说「你好」等半分钟体验会崩。分流之后快的地方快，慢的地方有垫场。

详细设计见 docs/VOICE-DESIGN.md，怎么测试见 docs/TESTING.md。

规划中的功能

语音唤醒（本地，零云端调用）

唤醒词可配置，默认「大肥鱼」
用 sherpa-onnx 的 KWS 模型
待命态不烧钱：超出唤醒词长度窗口的音频直接丢弃

语音识别（云端流式）

阿里云 paraformer-realtime-v2
边说边出字，支持打断
多级降噪门控（能量迟滞 / 过零率 / 有声帧占比）

语音合成（云端流式）

阿里云 Qwen-TTS / MiniMax
边收边播，支持中途打断
云端失败时回落到本地 TTS

意图分流

三条路，各走各的：

路径	触发	响应	走的通道
闲聊	「你好呀」「今天怎么样」	1~2s	直连 LLM
查数据	「今天天气」「有什么新闻」	1~2s	LLM + 天气/搜索 API
长任务	「帮我写个文档」	先垫话，后异步	DSH agent

长期记忆

事实库（关键词 × 类别 × 重要度 × 新鲜度打分）
每条事实带用户原话作为依据，防模型凭空记忆
闲聊记忆和任务记忆分开存

技术选型

层面	选型	理由
桌面壳	PySide6 (Qt6)	沿用上游
插件层	Cordis (DSH)	沿用上游
唤醒词	sherpa-onnx KWS	本地、低功耗、零成本
语音识别	阿里云 paraformer-realtime-v2	流式效果好，实测中文 CER 2.1%
语音合成	阿里云 Qwen-TTS	支持情感语气，首包几百毫秒
音频采集	sounddevice (PortAudio)	Qt 打包里没有 QtMultimedia
意图分类	规则 + 小模型兜底	快、可解释

参考实现

语音链路参考了 desk-ai 的实测参数（私有项目），包括：

VAD 参数（起说话 0.03 / 收尾 0.012 / 对话态静音切段 1050ms）
打断阈值与 1 秒重喂机制
ASR 幻觉短语过滤词表
阿里云 WebSocket 的 "streaming": "duplex" 坑

开发环境

前置

Node.js ≥ 22.19
Python ≥ 3.10（用于 helper）
pnpm

本地开发

# 克隆
git clone https://github.com/cooleye/dsh-dafeiyu-pro.git
cd dsh-dafeiyu-pro

# 安装依赖
pnpm install

# 跑测试
npm test
npm run test:python

# 直接跑 helper（开发期推荐，不用每次打包）
npm run helper:headless     # 验证协议，不开窗口
npm run helper:visual       # 开窗口

装到 DSH 里

# 用 link 模式，改代码实时生效
dsh plugin --profile desktop add link:<本仓库绝对路径>

打包

npm run build:helper:windows   # Windows exe
npm run build:helper:linux     # Linux
npm run build:helper:darwin    # macOS

目录结构

dsh-dafeiyu-pro/
├── src/                    Node 侧（插件逻辑）
│   ├── plugin.js           配置 Schema、事件订阅
│   ├── companion-reducer.js 状态机
│   ├── helper-process.js   子进程管理
│   ├── protocol.js         消息协议
│   └── balance.js          余额查询
├── runtime/                Python 侧（Qt helper）
│   ├── helper.py           窗口、动画、交互
│   ├── animation_model.py
│   └── bin/                各平台预编译 helper
├── assets/pet/             动画帧（WebP，来自 dsh-pet）
├── lib/client.js           浏览器侧
├── docs/                   文档
└── test/                   测试

与上游的目录差异

- legacy/       已移除（旧版素材，与开发无关，且不在 MIT 范围内）
- .github/      已重置（上游 CI 不适用）

许可与致谢

代码许可

本项目代码遵循 MIT License，与原项目一致。见 LICENSE。

素材许可

⚠️ 注意区分：

资产	许可	说明
源代码	MIT	自由使用、修改、分发
`assets/pet/` 动画帧	MIT	来自 dsh-pet
`legacy/dafeiyu/`	❌ 受限	本项目已移除该目录

详见 ASSET_LICENSE.md。

致谢

特别感谢原项目作者 @QCYTSN —— dsh-dafeiyu 的架构设计（原生窗口 + JSONL 协议 + 事件驱动状态机）非常好用，让二次开发变得很轻松。

同时感谢：

DeepSeek Harness —— 插件系统
Cordis —— 插件框架
sherpa-onnx —— 本地语音引擎
PC2005-cloud/dsh-pet —— 动画素材
大肥鱼人设的社区创作者们

声明

本项目是独立维护的社区分支，不代表原作者的立场
遇到问题请先看上游 issue，可能是因为上游已经修复了
如果上游合并了我们的改动，本项目会尽量跟随

上游：QCYTSN/dsh-dafeiyu · 本文档最后更新：2026-11-10

dsh-dafeiyu-pro 🐋🎙️

给「大肥鱼」桌宠加上语音能力 —— 基于 QCYTSN/dsh-dafeiyu 的二次开发。

⚠️ 这是一个 fork，不是原创项目。 原项目 dsh-dafeiyu 由 @QCYTSN 开发，MIT 协议。本仓库在其基础上增加语音交互能力，遵循同样的 MIT 协议。

这是什么

DeepSeek Harness 的桌面伴侣插件。

原版 dsh-dafeiyu 会显示 Agent 的实时状态（思考、改文件、等确认、出错），它有一个透明置顶的原生窗口，还能看余额。

本项目要做的，是让它能听、能说：

你叫「大肥鱼」
    ↓
它回「我在」
    ↓
你说话 → 流式识别 → 意图分流
    ↓
    ├─ 闲聊 → 直连 LLM → 1~2 秒回话
    ├─ 查数据 → 调天气/搜索 API
    └─ 长任务 → 派给 DSH agent，先垫一句「好的，我看看」
    ↓
流式合成，边收边播，可以中途打断

与上游的关系

来源

项目	地址	说明
上游	QCYTSN/dsh-dafeiyu	原作者，MIT
本仓库	cooleye/dsh-dafeiyu-pro	二次开发

我们改了什么

领域	上游	本项目
语音唤醒	❌	🔨 开发中
语音识别	❌	🔨 开发中
语音合成	❌	🔨 开发中
意图分流	❌	📋 规划中
长期记忆	❌	📋 规划中
状态显示	✅ 完整	✅ 保持不变
桌宠动画	✅ 完整	✅ 保持不变

我们没改什么

动画素材：仍然来自上游，原始出处是 PC2005-cloud/dsh-pet（MIT）
图标、光标、音效：保持不变
状态机核心：companion-reducer.js 的逻辑保持上游实现

当前进度

阶段	内容	状态
—	Fork 上游代码	✅ 完成
Phase 0	唤醒词 PoC	✅ 完成（实测 3/3 命中）
Phase 1	音频栈 + 本地出声	✅ 完成（唤醒→回应已跑通）
Phase 2	云端流式 ASR	✅ 完成（连续多段已修好）
Phase 3	对话闭环（LLM + TTS）	✅ 完成（能真聊了）
Phase 4	分级路由（闲聊/查询/干活）	✅ 完成（8/8 测试通过）
Phase 5	长期记忆	⬜ 未开始

已跑通的完整链路

说「大肥鱼」
    ↓
本地 KWS 命中（零云端调用）
    ↓
回「我在」
    ↓
进入听写态，VAD 断句
    ↓
阿里云 paraformer 流式转写
    ↓
💬 你说：今天天气怎么样？
    ↓
🧭 意图分流
    ├─ chat → 直连 LLM 0.5~1s
    ├─ data → LLM + 搜索工具，1~2s
    └─ task → DSH agent，先垫一句「好的，我看看」
    ↓
按句切分 → qwen3-tts 合成 → 逐句播放

实测数据：

项目	结果
唤醒	3/3 命中
ASR 准确度	「今天天气怎么样？给我讲个故事呗。」全对，带标点
ASR 速度	2.89 秒音频 → 0.97 秒转完（3× 实时）
LLM 首字	0.25~0.33 秒
工具调用	问天气自动触发搜索，1.34 秒出结果
TTS 合成	6.64 秒音频 / 1.5 秒合成（4.4× 实时）
端到端开口	约 2 秒（闲聊）/ 1.3 秒（带搜索）
DSH agent	简单任务 4.3 秒，长任务有两级垫场
连续多段识别	6 段全部正确，会话不串
自动化测试	17 个用例全过（不联网、不用麦克风）

⚠️ Windows 音频独占：MME / DirectSound / WASAPI 都可能被别的程序（比如 DSH 自己的语音输入）独占，只有 WDM-KS 能稳定打开。本项目已做自动降级。

⚠️ 模型可用性：这个 key 上 qwen-turbo 长期 429， qwen-flash / qwen-plus / qwen-max 可用。默认用 qwen-flash。

三级路由的意义

路径	触发	延迟	谁在干活
chat	寒暄、情绪、玩笑	0.5~1s	直连 LLM
data	天气、新闻、实时信息	1~2s	LLM + 搜索工具
task	写文档、改代码、做开发	垫场即时	DSH agent

为什么不统一走 agent：DSH agent 能干活但一次几十秒，说「你好」等半分钟体验会崩。分流之后快的地方快，慢的地方有垫场。

详细设计见 docs/VOICE-DESIGN.md，怎么测试见 docs/TESTING.md。

规划中的功能

语音唤醒（本地，零云端调用）

唤醒词可配置，默认「大肥鱼」
用 sherpa-onnx 的 KWS 模型
待命态不烧钱：超出唤醒词长度窗口的音频直接丢弃

语音识别（云端流式）

阿里云 paraformer-realtime-v2
边说边出字，支持打断
多级降噪门控（能量迟滞 / 过零率 / 有声帧占比）

语音合成（云端流式）

阿里云 Qwen-TTS / MiniMax
边收边播，支持中途打断
云端失败时回落到本地 TTS

意图分流

三条路，各走各的：

路径	触发	响应	走的通道
闲聊	「你好呀」「今天怎么样」	1~2s	直连 LLM
查数据	「今天天气」「有什么新闻」	1~2s	LLM + 天气/搜索 API
长任务	「帮我写个文档」	先垫话，后异步	DSH agent

长期记忆

事实库（关键词 × 类别 × 重要度 × 新鲜度打分）
每条事实带用户原话作为依据，防模型凭空记忆
闲聊记忆和任务记忆分开存

技术选型

层面	选型	理由
桌面壳	PySide6 (Qt6)	沿用上游
插件层	Cordis (DSH)	沿用上游
唤醒词	sherpa-onnx KWS	本地、低功耗、零成本
语音识别	阿里云 paraformer-realtime-v2	流式效果好，实测中文 CER 2.1%
语音合成	阿里云 Qwen-TTS	支持情感语气，首包几百毫秒
音频采集	sounddevice (PortAudio)	Qt 打包里没有 QtMultimedia
意图分类	规则 + 小模型兜底	快、可解释

参考实现

语音链路参考了 desk-ai 的实测参数（私有项目），包括：

VAD 参数（起说话 0.03 / 收尾 0.012 / 对话态静音切段 1050ms）
打断阈值与 1 秒重喂机制
ASR 幻觉短语过滤词表
阿里云 WebSocket 的 "streaming": "duplex" 坑

开发环境

前置

Node.js ≥ 22.19
Python ≥ 3.10（用于 helper）
pnpm

本地开发

# 克隆
git clone https://github.com/cooleye/dsh-dafeiyu-pro.git
cd dsh-dafeiyu-pro

# 安装依赖
pnpm install

# 跑测试
npm test
npm run test:python

# 直接跑 helper（开发期推荐，不用每次打包）
npm run helper:headless     # 验证协议，不开窗口
npm run helper:visual       # 开窗口

装到 DSH 里

# 用 link 模式，改代码实时生效
dsh plugin --profile desktop add link:<本仓库绝对路径>

打包

npm run build:helper:windows   # Windows exe
npm run build:helper:linux     # Linux
npm run build:helper:darwin    # macOS

目录结构

dsh-dafeiyu-pro/
├── src/                    Node 侧（插件逻辑）
│   ├── plugin.js           配置 Schema、事件订阅
│   ├── companion-reducer.js 状态机
│   ├── helper-process.js   子进程管理
│   ├── protocol.js         消息协议
│   └── balance.js          余额查询
├── runtime/                Python 侧（Qt helper）
│   ├── helper.py           窗口、动画、交互
│   ├── animation_model.py
│   └── bin/                各平台预编译 helper
├── assets/pet/             动画帧（WebP，来自 dsh-pet）
├── lib/client.js           浏览器侧
├── docs/                   文档
└── test/                   测试

与上游的目录差异

- legacy/       已移除（旧版素材，与开发无关，且不在 MIT 范围内）
- .github/      已重置（上游 CI 不适用）

许可与致谢

代码许可

本项目代码遵循 MIT License，与原项目一致。见 LICENSE。

素材许可

⚠️ 注意区分：

资产	许可	说明
源代码	MIT	自由使用、修改、分发
`assets/pet/` 动画帧	MIT	来自 dsh-pet
`legacy/dafeiyu/`	❌ 受限	本项目已移除该目录

详见 ASSET_LICENSE.md。

致谢

特别感谢原项目作者 @QCYTSN —— dsh-dafeiyu 的架构设计（原生窗口 + JSONL 协议 + 事件驱动状态机）非常好用，让二次开发变得很轻松。

同时感谢：

DeepSeek Harness —— 插件系统
Cordis —— 插件框架
sherpa-onnx —— 本地语音引擎
PC2005-cloud/dsh-pet —— 动画素材
大肥鱼人设的社区创作者们

声明

本项目是独立维护的社区分支，不代表原作者的立场
遇到问题请先看上游 issue，可能是因为上游已经修复了
如果上游合并了我们的改动，本项目会尽量跟随

上游：QCYTSN/dsh-dafeiyu · 本文档最后更新：2026-11-10

cooleye/dsh-dafeiyu-pro

dsh-dafeiyu-pro 🐋🎙️

目录

这是什么

与上游的关系

来源

我们改了什么

我们没改什么

当前进度

已跑通的完整链路

三级路由的意义

规划中的功能

语音唤醒（本地，零云端调用）

语音识别（云端流式）

语音合成（云端流式）

意图分流

长期记忆

技术选型

参考实现

开发环境

前置

本地开发

装到 DSH 里

打包

目录结构

与上游的目录差异

许可与致谢

代码许可

素材许可

致谢

声明

Community comments

cooleye/dsh-dafeiyu-pro

dsh-dafeiyu-pro 🐋🎙️

目录

这是什么

与上游的关系

来源

我们改了什么

我们没改什么

当前进度

已跑通的完整链路

三级路由的意义

规划中的功能

语音唤醒（本地，零云端调用）

语音识别（云端流式）

语音合成（云端流式）

意图分流

长期记忆

技术选型

参考实现

开发环境

前置

本地开发

装到 DSH 里

打包

目录结构

与上游的目录差异

许可与致谢

代码许可

素材许可

致谢

声明

Community comments