sh-volume-shuff

朗读 + 音量，一个按钮。从你最新那条提问的开头或者自选位置开始朗读。· Read aloud from the start of your newest question — or from any spot you pick. One button. 作者 / by 江湖老妖

DeepSeek Harness Web GUI 的输入框工具行里、模型选择框左边的一个扬声器按钮：

单击：按下的瞬间图标上的悬浮提示词先消失 → 松开手开始朗读（页面自动翻动到朗读起点，默认＝你最新那条提问的第一个字，在起点闪烁一根光标，从那里读到最新回复结尾）；再单击停止，标记彻底消失（起点仍在最新那条提问的第一个字，下次点击从那里重读）。
按住图标（≥400ms）并松手 → 松手时图标上方提示词变为「选择开始位置后点击 / After Pick → Tap」（按住期间提示词不变）；松手后再移动鼠标，提示词才消失 → 在你想开始读的地方单击 → 光标落在那个字上，立刻从那里开始朗读。
松手后一直不动（不移动鼠标、也不点正文）超过 5 秒 → 自动取消本次操作，提示词收起、标记消失、鼠标指针回到普通状态。想重来把鼠标移回图标再长按一次。
再次单击停止 / 朗读自然结束 → 标记都彻底消失；起点始终是「你最后一次提问的第一个字」，所以下一次点击仍从那里读起。
按住并向上拖拽 → 调出竖式音量混音台：页内音量 + 系统音量，各自可静音。
点击页面任何其他地方 / Esc → 收起混音台 / 取消挑选（挑选中取消会连光标一起收掉）。
挑选起点期间，除了「移动鼠标」，任何其他操作都取消本次挑选：按键、滚轮、拖动、右键、窗口失焦……（详见下表）

[ …其他插件图标 ] [ 🔊 ] [ 模型选择 ▾ ]   ← conversation.input.right 整体排在 .model 左边

它注册在 conversation.input.right（「提交键之前的一排紧凑控件」），整体渲染在模型选择框左边、紧挨着模型选择框——模型选择框自己占 conversation.input.model 这个固定座位，位置不随插件增删而变。同一个槽位里装了多个插件图标时，按槽位规则排队：先比 priority，再比 order，两者相同则按插件加载（安装）顺序——先装的靠左。本插件显式设了 order: 40（其他插件一般用默认 0），所以它总是贴着模型选择框待在这一排的最右边。

安装

# 从 npm 安装（推荐）
dsh plugin --profile web add sh-volume-shuff

也可以直接从 GitHub 装（等价，取的是仓库源码）：

dsh plugin --profile web add github:underworld-oddball/sh-volume-shuff

收录进社区列表后，还能在 dsh-market（设置 → 插件市场）里搜到并一键安装。

装完重启一次 dsh web（插件在启动时组入 boot graph），然后刷新页面。

交互

手势	行为
单击图标	按下即收起悬浮提示词 → 松手开始朗读（翻到起点、闪烁光标）；再单击 → 停止，标记彻底消失（起点仍是最新提问的第一个字）
按住图标（≥400ms）→ 松手	挑起点：松手时图标上方提示词变为「选择开始位置后点击」（悬停气泡同时退场，两个气泡不重叠）→ 松手后移动鼠标，提示词消失 → 页面上单击 → 光标落在该处并立刻开读
按住并向上拖拽（≥18px）	调出音量混音台（从图标上方弹出）
挑选中点空（空白/代码块外）	取消本次挑选（同「其他操作」），提示词与光标一起收起
挑选中移动鼠标	唯一「不取消」的动作：提示词消失，挑选继续，点正文即开读；每移动一次，下面的 5 秒空闲计时重新开始
挑选全程的鼠标形状	整个页面保持选择（十字）形状——移到图标、链接、按钮上也不会变回手型；选定或取消后立即恢复
挑选中一直不动（≥5 秒）	自动取消本次操作：提示词收起、指针复原、标记消失
挑选中其他任何操作（点空白 / 按键 / 滚轮 / 拖动 / 右键 / 失焦）	立刻取消本次挑选：提示词收起、标记消失，图标恢复为可单击状态
朗读自然结束	标记消失，起点仍是最后一次提问的第一个字
朗读中再次单击（停止）	停止播放，标记消失，起点同上
点击其他地方 / Esc	收起混音台 / 取消挑选
长按（≥400ms）	不朗读；松手即进入挑起点（防误触，也是挑起点手势）
混音台开着时单击图标	只收起混音台
悬停图标	三列双语提示（中文在上、灰色英文在下）： `点击朗读`　`长按选起点`　`上滑调音量` `[Tap: Speak]`　`[Hold: Pick]`　`[Swipe ↑: Volume]`（一按下就收起）
Enter / Space	朗读 / 停止
Alt + ↑	开关混音台
← / →	光标左右移 1 字（挑选模式下同样可微调）；空闲时挪过的位置不会成为单击的起点
Shift + ← / →	光标左右移 20 字

朗读中图标变蓝并多一道声波弧（不会再变红——静音状态只交给混音台显示）。挑选起点时光标变琥珀色，朗读时光标是主题色。

朗读起点

默认起点：你最新那条提问的第一个字——每次单击/回车都从这里读起（严格规则：即使你之前用 ← / → 把光标挪到别处，单击也不会从那里读）。单击即翻到那里并闪一根光标，读的顺序是「这条提问 → 之后的助手回复（含最新那条）」。
自定义起点：按住图标约 0.4 秒后松手——松手的那一刻图标上方出现「选择开始位置后点击」，然后移动鼠标，提示词消失（此时十字光标仍在，挑选状态没变），再在页面上想开始读的地方单击即可。点空白（代码块外面）算「其他操作」，会直接取消这次挑选；此外按任意键、滚轮、拖动、右键或切走窗口也都取消，图标回到可单击状态、光标停止闪烁。Esc 同样取消。松手后一直没动作（约 5 秒）也会自动取消：空闲计时从松手那刻开始，鼠标每移动一次就重新计满 5 秒。取消后标记彻底消失，起点仍是最后一次提问的第一个字（下次点击从那里读）。取消的原因会写进诊断：gesture:pick-cancel 的 detail 是 idle-timeout / empty-space / key / wheel / context-menu / context-click / drag / blur / hidden / escape。
起点按会话记录保存（localStorage），刷新页面后仍在；出现新回复时自动回到「最新提问开头」。
光标只是标记，不是 MD 编辑器里的选区：它不会选中文字、不影响复制。它只在朗读/挑选期间出现：朗读中闪动（主题色）、挑选中琥珀色；朗读结束（自然读完、手动停止）或取消后一律彻底消失，不残留、不闪烁。

两个音量有什么区别

推子	管什么	不管什么
页内音量	本标签页里所有 `<audio>`/`<video>` 元素的 `volume`：语音朗读、提示音、网页播放器	系统音量、其他 App、其他标签页
系统音量	系统输出音量与静音（macOS `osascript`，Linux `pactl`）	单个页面的元素音量上限

两者串联：系统音量是天花板。系统静音时页内开满也没声；页内拉到 0 只静这一页。

界面提示文案

悬停图标与挑选起点时的提示都是中英双标（方便中英混用环境）：中文在上（沿用原来的橙色字），英文在下、灰色。空闲气泡是三列手势对齐（每列一个手势，列内中英上下对齐，整块左对齐）；挑选/停止气泡只有一列，两行居中互相对齐；两种场景的位置、大小、颜色完全一致——都浮在图标上方。

场景	中文（上）	英文（下，灰）
悬停图标（空闲）	三列，中文在上：`点击朗读` / `长按选起点` / `上滑调音量`	每列下方灰色英文：`[Tap: Speak]` / `[Hold: Pick]` / `[Swipe ↑: Volume]`
悬停图标（朗读中）	`点击停止`	`Tap: Stop`
长按松手后（鼠标未动）	`选择开始位置后点击`	`After Pick → Tap`

时序：按住（≥400ms，提示词保持原样）→ 松手（提示词变为「选择开始位置后点击」）→ 移动鼠标（提示词消失）→ 单击正文（开读）；这条链上任何一步停住超过 5 秒、或做了别的动作，都会取消（见上手势表）。气泡只负责把操作员送到起点，动鼠标即视为已经在找位置，不该再挡住页面；此后十字光标保持，单击即定起点开读。

反过来，移动鼠标是唯一不会取消挑选的动作：思考、改主意时按个键/滚一下/点右键/点一下空白处即可退出，不会朗读、也不会留下闪烁的光标。取消后提示词收起，想重来把鼠标移回图标再长按一次即可。

朗读实现

文本来源是白名单，不是黑名单。真实 DSH DOM 里每个消息节点都带 [data-chat-flow]，用 data-chat-flow-kind 标明类型；实测（dsh 0.1.7-rc.1）出现过这 5 种：

kind	内容	是否朗读
`user`	你的提问	✅ 默认起点就是最新这条的第一个字
`assistant-step`	回复正文（`data-chat-group-part="response"`）	✅
`assistant-step`	思考过程（`data-chat-group-part="reasoning"`）	❌ 模型草稿，不念
`turn-process`	「已完成工作用时 4 秒」折叠头	❌
`turn-tail`	`用量 301K tok 02:00`	❌
`tool-call`	工具调用卡片	❌

所有节点都是平铺的兄弟节点（没有嵌套），所以按文档顺序拼接即可。

阅读范围：从起点字符起，沿「可读节点序列」一直读到末尾；更早的轮次不读。
每个字符都有对应的 DOM 位置：插件把节点按 innerText 语义打平成文本串，同时记录「第 n 个字落在哪个文本节点的第几个字符」，所以光标、翻页、按字符微调都精确到字；节点内部的按钮（复制/重试）不计入。
合成：按 ~220 字切句块，逐块 POST /dsh-tts/speak（复用 dsh-tts 已配置的 provider 链，例如 Edge zh-CN-XiaoxiaoNeural），顺序播放；未安装 dsh-tts 或某个分块合成失败时，剩下的部分回退浏览器 speechSynthesis（不会从头重念）。
点按钮时会先暂停页面上正在播放的音频，所以和 dsh-tts 的自动朗读（speakReplies）不会重叠。

早期版本在这里翻过车：按 data-chat-flow-kind="assistant" 找回复（真实值其实是 assistant-step），又用「跳过 button/svg」的黑名单排除杂物，结果把 turn-tail 当成了起点——光标落在时间戳上。现在换成白名单，并补了针对这一条的回归测试。

结构

package.json         dsh.bundle.patch + dsh.client.platform=web
cordis.patch.yml     bundle 层
lib/index.js         host 半：GET/POST /sh-volume-shuff/system、诊断 /sh-volume-shuff/diag
lib/client.js        浏览器半：slot 按钮 + 文本/光标定位 + 朗读器 + 竖式混音台（无需构建步骤）
scripts/test.mjs     jsdom 测试：把上面这个 bundle 原样跑在仿真会话 DOM 上

开发

npm install
npm test        # 33 项：文本定位、光标三态、长按挑选起点、移动只收气泡、5 秒空闲自动取消、点空白/按键/滚轮/拖动/右键/失焦取消、结束/取消后光标归位静止、双语提示、朗读、回退、混音台

测试不引入 React，而是自带一个只实现 createElement + 四个 hook 的微型运行时，并用 jsdom 跑未改动的 lib/client.js；只有 jsdom 缺的东西（布局几何、音频、语音合成、宿主 HTTP 路由）是仿真的。

要求

DSH >= 0.1.5-rc.3，Web GUI。适配按你要的通道顺序推进：正式版 → next → latest（alpha 版不在适配范围内）。

顺序	通道	现在这个 Tag 指向	状态
1	正式版（无后缀稳定版）	还没有——npm 上 26 个版本全是 `-rc`/`-alpha`，GitHub 上 10 个 release 全标着 prerelease（`deepseek-harness@0.0.1` 只是占位包）	出了即通过，插件无需改动
2	`next`	`0.1.7-rc.1`	已核对（本机 GUI 就是这一版）
3	`latest`	`0.1.5-rc.3`	已核对

⚠️ latest 比 next 旧（0.1.5-rc.3 < 0.1.7-rc.1），所以通道顺序 ≠ 版本递增顺序。这正是 engines.dsh 必须写成下限式 >=0.1.5-rc.3 的原因：写成按「最新那版」收窄的范围（比如 >=0.1.7-rc.1）会把 latest 关在门外；写成 ^0.1.5 又会在 0.1.x 上永远不匹配 0.1.7-rc.1，把 next 也踢掉。正式版发出来之后，位于版本号下方的通道一律被这个范围涵盖，不需要再动。

插件代码里没有任何按版本分支：window.__ModuleLoader__.load({id, factory})、ctx.slots.inject / ctx.slots.register、conversation.input.right 这些接口在 latest(0.1.5-rc.3) 与 next(0.1.7-rc.1) 上逐个比对过，签名一致。 ⚠️ 但消息 DOM 的取值必须实测，不能只看接口名：早期版本就栽在这里——以为 kind 是 user/assistant，实际是 user/assistant-step/turn-process/turn-tail/tool-call。现在的取值是在真实页面上 dump 出来的（见下表）。
系统音量路由：macOS（osascript，内置）/ Linux（pactl）。其他平台该行置灰并显示原因。
可选：dsh-tts —— 没装也能用，只是回退到浏览器语音。

已知边界

页内音量是母音量，会覆盖插件自己设过的 element.volume；默认 100% 时行为不变。
浏览器 speechSynthesis 没有音量 API，只能在静音时 cancel()。
混音台路由只接受回环地址或同源请求，避免任意网页改你机器音量。
「起点」是按字符记的：如果回复在起点之后被重新渲染成不同的文字（例如流式输出还没结束），起点会按同一节点重新夹取；节点整个换掉时退回默认起点（最新提问开头）。

underworld-oddball/sh-volume-shuff