dsh-minimax-asr

把 MiniMax 语音识别（asr-1.0）接成 DeepSeek Harness 全局插件：一个给模型用的 transcribe_audio 工具、一张设置卡片，以及输入框里的语音输入按钮。

中文 | English

它提供什么

面	内容
工具	transcribe_audio(path, language?, response_format?, timestamp_level?)
接口	POST <baseURL>/v1/speech_to_text（multipart，默认 model=asr-1.0）
凭据	默认引用 MINIMAX_API_KEY，每次请求经 credentials seam 重新解析（可热轮换）
设置	命名空间 minimax-asr：apiKeyEnv、baseURL、model、responseFormat、language、timestampLevel、maxFileMB、timeoutMs
卡片	由 client/client.js 渲染在「设置 → 插件」里
语音输入	输入框工具行的麦克风按钮：录音 → 转写 → 追加进草稿

MiniMax 接受的格式：wav、aiff、flac、m4a/alac、mp3、aac、opus、ogg。 不接受裸 PCM 与 webm。单个文件不超过 500 秒 / 50 MB，计费按返回的 duration。

response_format 可选 json（文本 + 时长）、verbose_json（额外给出说话人分离的带时间戳分段）、 srt、vtt；timestamp_level 可选 sentence（默认）或 word，对 json 无效。

安装

从 GitHub 安装（推荐）：

dsh plugin --profile web add github:moluyao/dsh-minimax-asr

它会作为 bundle 层写进 profile，重启 dsh 后生效。

从本地 checkout 安装（开发时用，可热加载）：

dsh plugin --profile web add <本仓库路径>

然后在 profile 的补丁层（$DSH_HOME/profiles/web/cordis.patch.yml）里激活：

- insert:
    - id: minimax-asr
      name: 'dsh-minimax-asr'
      config:
        apiKeyEnv: MINIMAX_API_KEY
        baseURL: https://api.minimaxi.com
        model: asr-1.0

只保留一个激活点。 只要包声明了 dsh.bundle，dsh plugin add 就会把它同时写进 dsh.profile.bundles，而 bundle 层会再插一行 id: minimax-asr —— 两行并存会让插件被挂载两次 （同一个工具名注册两遍）。所以本机这种"补丁层激活"的用法要把包只当依赖：若之后 dsh plugin 命令把 bundle 行加了回来，删掉 cordis.patch.yml 里的 insert 行即可。

宿主半（工具 + 设置命名空间）会随补丁层热加载；宿主的客户端模块注册表会在每次插件挂载时重扫， 所以两半都能即时生效，刷新页面即可拿到重新组合的启动图。

密钥

密钥永远不进配置文件，而是每次请求经 credentials seam 解析（默认引用 MINIMAX_API_KEY）， 所以存在 ~/.dsh/.credentials.yaml 里、或导出在环境变量里的值都能直接复用：

MINIMAX_API_KEY=sk-...

语音输入（浏览器）

操作	发生什么
点一下	getUserMedia 打开麦克风，按钮变红并计时（120 秒自动停止）
再点一下	停止录音，解码并重新编码为 16 kHz 单声道 WAV，POST 到 /minimax-asr/transcribe
返回	识别文本追加进输入框已有内容之后，每条转写只插入一次

Chrome 只录 webm/opus，而接口不接受 webm —— 所以浏览器半会先解码、重建成 WAV 再上传， 上传上限与工具共用同一个 maxFileMB。首次使用会弹一次麦克风授权（按来源记一次）； 被拒绝时原因会显示在按钮的悬停提示里，且麦克风轨道总会被释放。

录音时长上限：默认 300 秒（5 分钟），可在「设置 → 插件 → MiniMax 语音识别 → 录音时长上限（秒）」 里改成 10–500 之间的任意值，改完下一次录音即生效（录制中不会中途被新值截断）。 录制时按钮显示 已录 / 上限（例如 1:23 / 5:00），到点自动停止并转写。

要注意 MiniMax 的硬上限是每个文件 500 秒（约 8 分 20 秒），超过会直接返回 400、不会截断 —— 所以 10 分钟无法一次请求完成，插件最多给到 500 秒。体积上不是问题： 16 kHz 单声道 16-bit WAV 约 32 KB/s，500 秒 ≈ 16 MB，仍在 50 MB 之内。

本地路由

两个路由挂在同一个受护栏的前缀下（loopback Host、无跨站标记、Origin 匹配； 这是防 DNS rebinding / 跨站的姿势，不是身份认证）：

路由	用途
POST /minimax-asr/transcribe	收一段录音（audio/wav 正文，可选 ?format=、?level=、?language=、?name=），返回转写
GET /minimax-asr/diagnostics	浏览器半自报的接线状态：applied、card-registered、mic-registered、mic-rendered（有上限、只在内存、不含机密）
POST /minimax-asr/diagnostics	浏览器半上报这些事实的入口

想确认"浏览器半加载了没有、控件挂上没有"，GET /minimax-asr/diagnostics 是最快的答案。

不依赖 Harness 的测试

MINIMAX_API_KEY=... node tests/smoke.mjs <音频文件> [response_format] [timestamp_level]
MINIMAX_API_KEY=... node tests/route-smoke.mjs <音频文件>
node tests/client-smoke.mjs
node tests/installed-check.mjs <profile 目录>

• tests/smoke.mjs：加载 lib/index.js，用桩上下文执行 apply，再对真实接口跑一次工具调用。
• tests/route-smoke.mjs：用合成的 node 请求驱动路由 —— 覆盖全部护栏与体积拒绝、diagnostics 通道， 以及一次真实转写。
• tests/client-smoke.mjs：按浏览器的方式加载 client/client.js（经典脚本调用 window.__ModuleLoader__.load），在桩 React / 模块表下断言卡片渲染与它写出的 path ops， 并把整条麦克风流水线跑通（只伪造编解码器与网络），断言上传 WAV 的文件头、采样率与采样数。
• tests/installed-check.mjs：从 profile 解析已安装的包，断言宿主客户端扫描器需要的一切 （dsh.client.platform、./client 字节、bundle id、每个声明的 inject、宿主半的导出形状）， 外加"只有一个激活行"这条不变量。

已验证

• 用 asr-1.0 真实转写：json、带词级时间戳与说话人的 verbose_json、srt —— 工具与路由两条路径都验过。
• 运行中的 Harness 里，一个新起的子 agent 在自己的工具表里看到了 transcribe_audio 并成功转写文件。
• 设置卡片在真实浏览器里渲染（临时 profile、同 bundle 组合）：8 个字段从命名空间取到真值、 凭据徽标显示「已配置」、编辑后出现「未保存」、点保存后真的写入 profile 的 settings.yaml。 这一轮还抓到一个真实缺陷 —— 卡片读了 ctx.remote 却只声明了 remote.credentials， Cordis 直接拒绝（cannot get property "remote" without inject）。
• 语音控件在真实会话的输入框工具行里渲染（aria-label="用 MiniMax 语音识别听写"、supported: true）， DOM 与宿主自报的 diagnostics 双向确认。注意它只在会话绑定工作区后出现，无工作区的 hero 输入框不挂载该区域。
• 麦克风流水线（录音 → 解码 → 16 kHz 单声道 WAV → 路由 → 草稿）在 client-smoke 里全绿，只伪造了编解码器与网络。

尚未端到端验证：真人开口的那一次录音。Chrome 对新来源报 microphone: prompt，授权必须由使用者亲自完成。

说明

• 插件跑在 Harness 宿主进程里、自己读音频文件，所以 agent 的文件沙箱不约束这次读取： 请指向宿主本来就能读到的文件。
• 它进不了模型/供应商选择器：MiniMax ASR 没有 chat-completions 接口，它是工具，不是对话模型。
• 长时间运行的实例在改动浏览器半之后需要重启一次：客户端 bundle 的字节在模块注册表首次激活该包时被读取并定版本， 单靠刷新页面仍会拿到旧字节。宿主半没有这个限制 —— 改设置或改工具，下一次调用就是新的。

License

MIT