@lbxc/dsh-voice-input

给 DeepSeek Harness Web GUI（dsh web） 添加语音输入与文本整理的插件：

• 🎤 输入框发送键左侧的圆形麦克风按钮，点击或按住 右 Alt 说话，松手自动识别并插入输入框；
• 📝 录音中按钮显示声纹动画，识别中转圈，实时识别文字在按钮上方滚动显示（当前句只增不减）；
• ⚙️ 设置 → 语音输入（或 设置 → 插件 → 语音输入）提供完整配置页；
• 🔌 支持四种识别方式：
  1. 浏览器本地识别（Web Speech API，免费，仅 Chrome / Edge）；
  2. OpenAI 兼容 /audio/transcriptions（OpenAI / Groq / SiliconFlow / 本地 faster-whisper）；
  3. 自定义 JSON 接口（音频 base64）；
  4. 实时流式接口（fun-asr-flash-8k-realtime 与 qwen3-asr-flash-realtime，边说边转写）；
• ✨ 识别完成后麦克风左侧弹出 AI 优化按钮：一键把输入框内容交给 LLM 清洗并格式化为「目标 / 关键要求 / 补充信息」，提示词可自定义，可注入当前对话上下文，模型思考档位可选（默认低）；
• 📥 支持导入 / 导出 JSON 配置；
• 🔐 API Key 只保存在浏览器 localStorage；百炼实时 Key 可通过本地代理查询参数传入，代理日志不打印密钥。

1. 安装

插件采用 dsh 官方 bundle 规范（dsh.bundle.patch + dsh.client）。

从 GitHub 安装（推荐）

dsh plugin --profile web add github:LBXC-666/dsh-voice-input

# 锁定版本（发布 tag 后）
dsh plugin --profile web add github:LBXC-666/dsh-voice-input#v1.0.0

本地目录安装

dsh plugin --profile web add link:/home/lbxc/voice_input

重启并刷新

Bundle 层插件必须重启 dsh web：

dsh web

刷新 http://127.0.0.1:3080 后，输入框发送键左侧出现 🎤，设置左侧导航出现「语音输入」。

卸载

dsh plugin --profile web remove @lbxc/dsh-voice-input
# 重启 dsh web

2. 首次使用：导入 / 配置 API（必做）

插件不内置转写服务，首次使用二选一：

1. 导入配置：设置 → 语音输入 → 「导入 / 导出 API 配置」，粘贴 JSON 或选择 config.example.json；
2. 手动配置：选择接口模式和快速预设，填写 API Key / 地址 / 模型。

3. 快速配置

进入 设置 → 语音输入。

方式 A：浏览器本地识别（零配置）

接口模式选「浏览器本地识别」，语言填 zh-CN。仅 Chrome / Edge。

方式 B：OpenAI 兼容接口

方式 C：自定义 JSON 接口

模板占位符：{{audio}}（base64）、{{format}}（MIME）、{{model}}、{{language}}；用「取值路径」提取结果文本。

方式 D：实时流式接口（推荐日常使用）

本地鉴权代理会跟随 dsh web 自动启动：只要插件已安装，重启电脑后启动 dsh web 时，插件的 node 半身会自动拉起代理并做健康检查；代理已存在则直接复用，dsh 停服时由插件启动的代理会一并停止。日志写入 ~/.dsh/logs/dsh-voice-input-proxy.log。

> 插件自动启动的代理使用当前环境变量；DASHSCOPE_API_KEY 需要在 dsh web 的启动环境中配置。如果 dsh web 本身没有配置开机自启，请先让 dsh web 随系统启动，代理才会跟随启动。

手动启动仅用于调试或独立使用：

# 代理默认监听 ws://127.0.0.1:8787/ws，健康检查 http://127.0.0.1:8787/health
node scripts/dashscope-realtime-proxy.mjs

设置页选择：

• API Key 可直接填在设置面板（通过本地代理 api_key 查询参数传递）；留空则代理使用环境变量 DASHSCOPE_API_KEY；
• 可指定麦克风设备（避免选成立体声混音/回路设备）与输入声道（自动自适应或固定 1~4 声道）；
• 推荐日常使用 qwen3-asr-flash-realtime：抗噪与识别稳定性更好；fun-asr-flash-8k-realtime 适合安静环境。

4. 使用方式

语音输入

• 按住右 Alt 说话，松手结束：录音中按钮显示声纹动画，实时识别文字在按钮上方滚动；
• 或点击 🎤 开始，再点停止；
• 识别结果自动插入输入框并聚焦。

AI 优化按钮

1. 只要输入框有文字，✨ 按钮就显示；文本清空（发送）后隐藏，手动修改文字不会隐藏；
2. 左键 ✨：执行「左键模式」（默认一轮纠错）；
3. 右键 ✨：执行「右键模式」（默认一轮纠错 + 二轮格式化）；
4. 自动优化开关：打开后，每次语音转写完成都会自动按「自动优化模式」优化，直接进入下一步处理，不需要任何快捷键，也不会在前台显示额外按钮；优化结果会原位替换刚转写的原文，不保留原始转写（已有输入框内容不受影响），优化什么内容由「自动优化模式」决定（一轮纠错 / 二轮格式化 / 一轮+二轮）；
5. ↶ 回退按钮：优化前自动保存原文快照，一键恢复未优化文本；
6. 优化结果逐字写回并替换原文本：自动优化只替换刚转写的原文，手动优化替换整个输入框；AI 优化期间（等待模型返回与写回过程）文本框内会有反复扫过文字的流光扫描动画——优先只在“实际有文字的区域”逐行扫过，测量失败或文本过长时自动回退为整行扫过；
7. 除语音输入的右 Alt 按住说话外，不再注册任何优化快捷键。

配置位置：设置 → 语音输入 → 文本整理（各分类可折叠）：

> 已移除独立的「启用第二轮优化」开关：选择「一轮」就等于只纠错，选择「一轮 + 二轮」就等于先纠错再格式化，模式下拉框已经完整覆盖这两种行为。

默认输出格式：

【目标】
<一句话说明用户想达成什么>

【关键要求】
- <要点>

【补充信息】
<其他有价值的信息；没有这一节就省略>

5. 导入 / 导出配置

设置 → 语音输入 → 导入 / 导出 API 配置：

• 粘贴 JSON 导入，或选择 config.example.json 文件导入；
• 一键复制 / 下载当前配置。

配置字段（节选）：

{
"mode": "openai",
"preset": "openai",
"endpoint": "https://api.openai.com/v1/audio/transcriptions",
"apiKey": "",
"model": "whisper-1",
"language": "zh",
"prompt": "",
"headers": {},
"shortcutEnabled": true,
"customUrl": "",
"jsonTemplate": "…{{audio}}…",
"responsePath": "text",
"realtimeUrl": "ws://127.0.0.1:8787/ws",
"realtimeModel": "fun-asr-flash-8k-realtime",
"realtimeApi": "fun-asr",
"micDeviceId": "",
"micChannel": "auto",
"formatterEndpoint": "https://api.deepseek.com/v1",
"formatterApiKey": "",
"formatterModel": "deepseek-chat",
"formatterThinking": "low",
"formatterWithContext": true,
"autoOptimizeEnabled": false,
"clickLeftMode": "round1",
"clickRightMode": "round1+round2",
"autoMode": "round1+round2",
"formatterFixTemplate": "…{{context}}…{{text}}…",
"formatterFinalTemplate": "…{{text}}…"
}

6. 常见问题

Q1：看不到按钮 / 设置页？
确认已重启 dsh web 并硬刷新（Ctrl+Shift+R）。

Q2：一直提示没有识别到有效语音？
- 设置 → 语音输入 → 选择正确的麦克风设备（不要选 Stereo Mix / 回路设备）；
- 实时模式优先切到 qwen3-asr-flash-realtime；
- 确认本地代理运行在 8787 端口、Key 有效；
- 浏览器必须是 localhost / HTTPS 且允许麦克风。

Q3：fun-asr-flash 在嘈杂环境效果差？
该模型对低频噪声敏感；插件已做声道自动选择 + 250Hz 高通滤波，但建议改用 qwen3-asr-flash-realtime。

Q4：AI 优化按钮消失？
按钮只出现在最近一次识别之后；手动打字、发送或新一轮录音都会让它收回。

Q5：数据存在哪里？
配置和 API Key 在浏览器 localStorage（dsh.voice-input.config.v1）；语音只发给配置的识别服务，整理文本只发给配置的模型接口。

Q6：代理调试

# 可选：把浏览器发送的 PCM 抓包到 /tmp/dsh-voice-input-audio.pcm（默认关闭）
PROXY_DUMP_AUDIO=1 node scripts/dashscope-realtime-proxy.mjs

7. 技术说明

• 按钮注册在 dsh 槽位 conversation.input.right（发送键左侧）；设置页注册在 settings.section / settings.plugins.tab；
• 文本写回使用 dsh 标准 inputActions.setDraft；
• 实时模式：AudioWorklet 采集 → 自动选语音声道 → 两级 250Hz 高通 → 重采样至 16kHz PCM → 每 100ms（1600 样本 / 3200 字节） 一块，经本地代理以 WebSocket 二进制帧发送；
• 启动阶段音频块会缓存，task-started / session.updated 后补发，避免丢开头；
• 代理解决浏览器 WebSocket 无法设置 Authorization 头的问题，转发到：
• Fun-ASR：wss://dashscope.aliyuncs.com/api-ws/v1/inference
• Qwen-ASR：wss://dashscope.aliyuncs.com/api-ws/v1/realtime

8. 目录结构

voice_input/
├── package.json
├── cordis.patch.yml
├── lib/
│   ├── index.js
│   └── client.js
├── scripts/
│   ├── smoke-test.mjs
│   └── dashscope-realtime-proxy.mjs
├── config.example.json
├── LICENSE
└── README.md

自检：

node scripts/smoke-test.mjs

9. 发布到 GitHub

git init -b main
git config user.name "LBXC-666"
git config user.email "[email protected]"
git add .
git commit -m "release"
git branch -M main
git remote add origin https://github.com/LBXC-666/dsh-voice-input.git
git push -u origin main

更新版本：

git tag v1.0.0 && git push origin main --tags
# 使用者：
dsh plugin --profile web add github:LBXC-666/dsh-voice-input#v1.0.0