dsh-speak-plus 🔊
让 DeepSeek Harness 把回答念出来——而且中间过程也念，不是只念最后一句。
> 本仓库是 dsh-speak 1.8.4 的增强分支（MIT 许可）。
> 上游的朗读、队列、设置页、WebSocket 状态同步全部保留，另外补了五项能力。
> 所有新增行为默认关闭或取保守值，不配置时与上游一致。
英文文档见 README.en.md；上游完整中文文档见 docs/UPSTREAM-README.zh-CN.md。
为什么做这个分支
上游开启 queueAllMessages 后，每条 assistant 消息都会立刻独立入队朗读。但模型在工具调用之间
往往只吐一两句话，于是听感是这样的：
"收到——"（被切）/ "那就你自己重启。"（被切）/ "6 个场景全过。"（被切）/ …
本分支把连续到达的正文先攒成一段再念，并且规定了「什么时候该打断、什么时候不该」，让中间过程
听得清、也不拖得太久。
功能
| 能力 | 上游 1.8.4 | 本分支 |
|---|---|---|
| 朗读最终回复 | ✅ | ✅ |
| 朗读中间过程 | 逐条、易被切碎 | 合并成段，按序读完 |
| 新内容打断当前朗读 | ❌ | ✅ 可配（默认等新回合出内容才换手） |
| 审批 / 提问优先 | ❌（会被正文顶掉） | ✅ 插队并保护 |
| 停止播报快捷键 | ❌ | ✅ Alt + S |
| 括号内容不朗读 | ❌ | ✅ 默认剔除 （）()，括号对可配 |
| 配置读取 | 依赖设置 schema | ✅ schema 不可用时回落读 profile 配置 |
| 队列 / 状态同步 / 设置页 / 手动重播 | ✅ | ✅ 全部保留 |
安装
插件以 DSH bundle 形式挂载，在 profile 的 cordis.patch.yml 中配置：
- id: dsh-speak-plus
name: dsh-speak-plus
config:
queueAllMessages: true
interruptOnNewMessage: true
interimMode: queue
interimMergeMs: 800
interimMaxBacklog: 180
engine: 'C:\Users\<你>\.dsh\profiles\desktop\data\dsh-speak-edge\speak-edge.ps1' # 可选：自定义引擎
rate: 8
Windows 用系统 SAPI 嗓音（装了 NaturalVoiceSAPIAdapter 可用自然音色），macOS 用系统 say。
引擎脚本与上游一致（engine/speak.ps1、engine/speak.sh），也可以用 engine 指向自己的脚本。
配置项
新增（本分支）
| 键 | 默认 | 说明 |
|---|---|---|
interruptOnNewMessage |
false |
总开关：打开后启用本分支的打断 / 合并逻辑 |
interruptOnNewTurn |
false |
false：提交消息不打断，等新回合真的产出内容才换手；true：按下发送就掐断 |
interimMode |
queue |
queue：回合内各段排队读完、互不打断；replace：每段新内容立刻顶掉正在播的 |
interimMergeMs |
800 |
静默多久把碎片合并成一段，0 = 不合并 |
interimMaxBacklog |
180 |
待播正文最多积压多少字，超出丢弃最旧的 |
skipBrackets |
true |
括号里的补充说明不朗读 |
bracketPairs |
（）() |
每两个字符是一对；要处理 【】 就写成 （）()【】 |
approvalPrefix |
审核： |
审批播报前加的固定前缀，空字符串表示不加 |
继承自上游（常用）
| 键 | 默认 | 说明 |
|---|---|---|
enabled |
true |
总开关，关掉后完全不出声 |
automaticSpeech |
true |
自动朗读；手动重播始终可用 |
queueAllMessages |
false |
每条 assistant 消息都入队（中间过程） |
throttleMs |
1500 |
默认模式的合并延迟 |
engine |
空 | 覆盖引擎脚本路径 |
rate / volume |
0 / 50 |
Windows 为 SAPI 刻度（-10~10） |
maxChars |
安全值 | 超过则只念固定提示语 |
longTextMode / longTextMessage |
message |
超长文本的处理方式 |
announceApprovals / announceQuestions |
true |
审批 / 提问播报 |
announceTurnEnd / announceCommandDone / announceGoalChange / announceToolErrors / announceTodoWrite |
false |
可选事件播报 |
完整列表见上游文档。
快捷键
Alt + S —— 立刻停止播报，同时清空待播队列和还没播出的缓冲片段。
> 说明：DSH 核心的「快捷键」列表只列核心自己的动作，没有给插件预留注册入口，所以这个键位由插件
> 自己监听，不会出现在那个列表里。输入框有焦点时同样生效。
GPT-SoVITS（可选，需自行安装）
插件自带引擎适配脚本 engine/speak-sovits.ps1，但它不包含也不安装 GPT-SoVITS，
只负责调用本机已经在跑的合成服务。
> 外部依赖（自行准备）：
> 0. NLTK 数据（cmudict / averaged_perceptron_tagger / punkt）放到 GPT-SoVITS\nltk_data，并建议在 %APPDATA%\nltk_data 建一个指向它的 junction（mklink /J），这样任何进程都找得到；缺了会报 "Resource 'cmudict' not found"，合成返回 400，抽屉会显示「接口异常」
> 1. GPT-SoVITS 本体 + V2ProPlus 权重
> 2. 启动服务：python api_v2.py -a 127.0.0.1 -p 9880 -c GPT_SoVITS/configs/tts_infer.yaml
> 3. 一段 3～10 秒的参考音频（就是你要的音色）
>
> 没装或服务没起时，脚本会自动回退到内置 SAPI 引擎，不会哑掉。
- id: dsh-speak-plus
config:
engine: 'C:\Users\<你>\.dsh\profiles\desktop\node_modules\dsh-speak-plus\engine\speak-sovits.ps1'
sovitsEndpoint: 'http://127.0.0.1:9880'
sovitsRefAudio: 'D:\voice\perlica-ref.wav'
sovitsPromptText: '参考音频里说的那句原话'
sovitsTextLang: 'zh'
sovitsPromptLang: 'zh'
sovitsSpeed: 1
| 键 | 默认 | 说明 |
|---|---|---|
sovitsEndpoint |
http://127.0.0.1:9880 |
GPT-SoVITS api_v2 地址 |
sovitsRefAudio |
空 | 参考音频路径；为空则回退 SAPI |
sovitsPromptText |
空 | 参考音频对应的文本，填了更稳 |
sovitsTextLang / sovitsPromptLang |
zh |
合成文本 / 参考音频的语种 |
sovitsSpeed |
1 |
语速倍率，会再叠加插件的 rate |
sovitsChunkChars |
60 |
每段目标字数。切在离目标最近的标点上（上下浮动约 25 字），没有标点才硬切；尾段不足 20 字会并进上一段。每段用 cut0 整段合成，服务端不会再按标点拆小句 |
sovitsFallbackEngine |
空 | 佩丽卡失败时用的引擎；留空则回退到 voiceXiaoxiaoEngine，再没有才退 SAPI |
失败回退链：佩丽卡 → sovitsFallbackEngine（一般填晓晓的 speak-edge.ps1）→ 内置 speak.ps1（系统语音）。
连接失败时把整段（当前分句 + 剩余分句）一次性交给回退引擎，不会把佩丽卡的 60 字分段带过去。
性能：服务常驻时每句约 1.5～2 秒合成（4060 8G 实测）；首次加载模型约 6 秒，
建议让 start-api.ps1 在登录时自启，并在启动脚本后追加一次预热
（warmup-perlica.ps1），这样第一句也不会等。
引擎脚本会按句切分（每段 ≤180 字）逐段请求并阻塞播放，符合插件的队列模型。
顶栏抽屉：音色与佩丽卡服务
对话页右上角的语音开关旁边有一个 ▾，点开是抽屉：
- 总开关（和设置页同一个字段）
- 音色：
默认（系统 SAPI）/晓晓（Edge 神经音色）/佩丽卡（本地 GPT-SoVITS） - 佩丽卡服务：状态指示点 + 「启动 / 停止」，直接控制本机
api_v2进程
- id: dsh-speak-plus
config:
voicePreset: perlica # default | xiaoxiao | perlica
voiceDefaultEngine: '...\engine\speak.ps1'
voiceXiaoxiaoEngine: '...\data\dsh-speak-edge\speak-edge.ps1'
voicePerlicaEngine: '...\engine\speak-sovits.ps1'
perlicaStartScript: 'D:\path\to\GPT-SoVITS\start-api.ps1'
perlicaPort: 9880
| 键 | 说明 |
|---|---|
voicePreset |
当前音色；抽屉里切换后会落盘到 \data\dsh-speak-plus\voice.json，重启保留 |
| 每个音色的语速 | 抽屉里的滑条（−10 ~ +10，与系统语音速刻度一致）+ 数字框，按音色分别保存到 voice.json；佩丽卡按 1 + rate/10 换算成 0.5x～2.0x |
| 每个音色的缩略朗读 | 抽屉里的开关，打开后超过 100 字的内容只念 50~100 字梗概。按原文顺序取片段，标题就留在它本来的位置（不会提前），标题后面会接上它的正文；不会以光标题结尾 |
| voiceDefaultEngine | 「默认」用的引擎（通常是插件的 speak.ps1，系统语音） |
| voiceXiaoxiaoEngine | 「晓晓」用的引擎（Edge TTS 脚本） |
| voicePerlicaEngine | 「佩丽卡」用的引擎（speak-sovits.ps1） |
| perlicaStartScript | 「启动」按钮要执行的脚本（start-api.ps1） |
| perlicaPort | 服务端口，用于探活/停止 |
启动会后台拉起脚本并轮询端口，最多等 180 秒（首次要加载 BERT/HuBERT）；
停止按端口找到进程并结束，不会误杀其它 Python。
抽屉里的状态点按「端口 + 真实合成」判定：打开抽屉时会发一次极短的 /tts 探测（结果缓存 60 秒），
所以「端口开着但接口报错」会显示成黄点「接口异常」，而不是假的绿色运行中。
切换音色会先掐掉正在念的那句，避免新旧混在一起。
行为说明
回合内的中间过程（interimMode: queue）：
- 片段按
interimMergeMs合并成一段，避免一句话被拆成几次播报 - 段与段之间排队，前一段念完再念下一段，不互相打断
- 待播积压超过
interimMaxBacklog字时丢弃最旧的，保证不会越听越落后
换手规则：
- 你发消息时不掐断当前朗读
- 新回合第一段内容要播时，才掐掉上一轮还在念的正文
- 正在念审批 / 提问时，新正文排队等待，不抢占
配置兜底：某些 DSH 构建里插件无法加载设置 schema，此时会直接读本 profile 的
cordis.patch.yml（按修改时间缓存，只取已知键），与运行时配置合并，运行时优先。
挂载时会打一行 生效配置: … 便于排查。
已知限制
- 设置页依赖
Configschema；构建失败时设置页可能不显示，此时改 YAML 即可 - 新回合内容会掐掉其他会话正在播的正文（同一套扬声器），不区分来源
- 直接改
node_modules里的插件文件会在重装 / 升级时被覆盖
目录
adapters/dsh/speech-hook.js 宿主端：事件 → 队列 → 引擎
client/client.js 浏览器端：设置页、消息按钮、Alt+S
engine/ 朗读引擎（SAPI / macOS say）
docs/LOCAL-CHANGES.zh-CN.md 本分支相对上游的改动清单
docs/UPSTREAM-README.zh-CN.md 上游完整文档
许可
MIT，继承上游 LICENSE，上游版权归 Alan2Z 所有。
