dsh-gpt-sovits

中文 · English

给 DeepSeek Harness（DSH）Web GUI 接入 GPT-SoVITS 语音合成：每条助手回复一键朗读、自动朗读开关、音色预设与设置面板。用你自己本地部署的引擎和音色，完全离线、不经云端。

代码是 AI 写的，声音是作者训练的。 本项目由 DeepSeek（deepseek-flash） 在 DSH 会话中逐轮写成 —— 出主意、修 bug、写测试、读宿主源码、量自己的宿主。完整过程见 它是怎么来的。

dsh plugin --profile desktop add github:91koukou/dsh-gpt-sovits

本仓库不附带任何模型权重、参考音频或音频样本，也不替你启动引擎 —— 这些都由你自己准备。

---

核心特性

特性	说明
逐条朗读	每条定稿回复的操作条上有 🔊 按钮；播放中再点即停，点别的回复直接切换（单信道抢占）
自动朗读（排队）	输入栏左侧小喇叭开关。流式回复只读新增且已到句号的部分，一句接一句念完，绝不打断正在念的那句；同一条回复只读一次（刷新、切会话都不重复）
启动问候	每 0.5 秒向空闲引擎请求一次问候语，识别到引擎开始工作就停止（状态每 0.1 秒检测）。它既是"插件活了"的信号，也顺带预热引擎
流式／总结分流	处理过程一句一请求（cut0，起播最早）；定稿总结打包成块交给引擎切（cut5，请求数少、快一倍）
新一轮取消上一轮	按外壳自己的轮次计数判定，新一轮开始清空待播队列、作废飞行中的合成；轮次内不打断
切换会话即停播	判据是外壳发给每个槽位的 sessionId，存在模块级变量里 —— 切换会话会卸载重挂整棵子树，存在组件里的值永远发现不了切换
把符号念成人话	cmd.exe → 「cmd点exe」、3-10 → 「3到10」、3/4 → 「4分之3」、C:\Users → 「C:杠Users」、是/否 → 「是或否」
单位不会念错	120km/h → 「120千米每小时」、100MB/s → 「100兆字节每秒」、2.4GHz → 「2点4吉赫兹」。词表方式，新增单位只需加一行
停顿由标点决定	关掉引擎自带静音，裁掉每段音频尾部静音，再按标点插入停顿：句号 340ms、逗号 150ms、省略号 460ms、段落 520ms
中文分句完整	。！？；… 及其连写都是句末，句末引号归前句；段落是硬边界，不会被合并
音频只在内存	不为每句话写 WAV 到硬盘，直接从内存服务，条数与字节双重上限；升级时自动回收旧版遗留文件
逐句语速与情感	语速、temperature、top-k、top-p 随每一句发出，改动从下一句生效；音量是播放属性，改了立刻生效
音色预设	名称 + 参考音频 + 参考文本 + 参考语言，可增删、可设默认；成对权重未变时跳过切换，免得每次朗读都重载模型
只读该读的	代码块整块略过、URL/路径/哈希/长标识符替换成"链接/路径/编号/长代码"、表格不念分隔线、反引号里的符号念名字
设置面板	设置 → 语音朗读（GPT-SoVITS）。含运行状况、内嵌引擎控制台（stdout/stderr + 启动器判定 + 生成记录）、引擎地址、音色、语速、采样步数、音量、试听。保存即生效
只监听本机	所有路由拒绝非 loopback 来源，写接口额外校验同源

---

快速开始

1. 前置条件

1. 一份已部署好的 GPT-SoVITS（api_v2.py 能跑起来）
2. 至少一对自己训练的 GPT（.ckpt）+ SoVITS（.pth） 权重，以及一段参考音频
3. DSH 桌面版或 Web 版

2. 启动引擎

插件只负责"说话"，不负责起引擎：

cd <你的 GPT-SoVITS 目录>
runtime\python.exe api_v2.py -a 127.0.0.1 -p 9880 -c GPT_SoVITS/configs/tts_infer.yaml

首次要等模型加载完（约 12–30 秒）。

健康探测打的是 GET /control。该接口不带参数时按设计返回 HTTP 400，所以插件把 400 视为"活着"，只有连不上才算"未连接"。

3. 安装插件

dsh plugin --profile desktop add github:91koukou/dsh-gpt-sovits

装完刷新页面（客户端半身在启动图里合成，新插件需要一次页面加载才会出现）。

卸载：dsh plugin --profile desktop remove dsh-gpt-sovits

4. 配置

打开 设置 → 语音朗读（GPT-SoVITS），填引擎地址与至少一组音色预设。

项	默认	说明
引擎地址	http://127.0.0.1:9880	api_v2.py 的监听地址
音色预设	空	名称 + 参考音频路径 + 参考音频文本 + 参考语言
朗读文本语言	zh	zh/en/ja/ko/yue/auto
语速	1.0	对应引擎的 speed_factor，0.5–2.0
采样步数	32	嫌慢就降到 16，这是最有效的加速手段
音量 / 播放倍速	90% / 1×	浏览器侧，仅影响本机播放

参考音频怎么选：3–10 秒、干净人声、无背景音乐；路径必须是引擎所在机器能读到的路径。参考音频文本 强烈建议填写 —— 留空会让引擎先对参考音频做一次识别，首次合成从 ~1.5 秒变成 ~40 秒。

设置落盘在 $DSH_HOME/gpt-sovits/。

5. 验证安装

node scripts/selfcheck.mjs      # 离线自检，61 项
node scripts/integration.mjs    # 真实引擎集成测试，16 项（需引擎已启动）

---

版本与下载

任何版本都可以随时下载或安装，不必迁就最新版。每个发行版都有 tag 锚定，旧版本不会被后续更新覆盖。

你想要	怎么做
最新版	仓库首页 → Code → Download ZIP
某个发行版	Releases 页 → 选版本 → Source code (zip)
任意历史提交	git clone 后 git checkout <提交哈希>
安装指定版本	dsh plugin --profile desktop add github:91koukou/dsh-gpt-sovits#v0.3.0

版本	说明
v0.1.0	首个发布版：逐条朗读按钮、自动朗读开关、音色预设、设置面板
v0.2.0	引擎生命周期跟随 DSH、文本规范化、流式/总结分流、队列式朗读、启动问候、引擎控制台
v0.3.0	中文分句补全、按标点插入停顿并裁掉引擎尾部静音、切换工作区取消朗读、音频改内存、逐句语速与情感
v0.3.1	切换会话真正停播：判据改为跨卸载重挂存活的模块级变量
v0.3.2	四处可靠性修复：计划内的取消不再被上报成播放失败、被淘汰的音频自动重新合成、一个回合只重置一次、诊断事件有了内存与磁盘上限

版本变更记录见 CHANGELOG.md。

---

文档

文档	内容
完整文档（中文）	前置条件、设计取舍、附录：每项功能的实现方式（文件/函数/参数/数据结构）、实测环境与性能、19 个"踩过的坑"
Full documentation (English)	同上，英文
CHANGELOG.md	每个版本的变更明细
THIRD-PARTY-NOTICES.md	第三方代码复用的完整清单（具体文件、具体语句、我做了哪些改动）
RESEARCH-similar-plugins.md	同类插件调研：为什么是"自己写"而不是装现成的

---

许可

本项目代码以 MIT 许可发布，详见 LICENSE。第三方代码复用的完整清单见 THIRD-PARTY-NOTICES.md。

• 本项目是第三方社区插件，与 DeepSeek、GPT-SoVITS（RVC-Boss）及其各自的维护者无任何隶属、合作或背书关系。
• 本插件不分发、不托管任何模型权重、参考音频或合成音频，也不包含任何语音克隆服务 —— 它只是把你自己的本地引擎接到 DSH 界面上。
• 仅可使用你有权使用的声音：未经授权，不得克隆、模仿或合成公众人物、名人或他人的声音。参考音频与训练权重的权利与合规责任完全由使用者承担。
• 合成音频可能被误认为真人发声：对外分发时建议主动披露其为 AI 合成内容。
• 你的模型、参考音频与生成音频不在本项目的 MIT 许可覆盖范围内。

---

English

TTS for the DeepSeek Harness Web GUI, powered by your own local GPT-SoVITS. A read-aloud button on every assistant reply, an auto-read toggle, voice presets and a settings panel — fully offline, nothing goes through a cloud service.

dsh plugin --profile desktop add github:91koukou/dsh-gpt-sovits

This repository ships no model weights, reference audio or audio samples, and it will not start the engine for you — you provide all of that.

Core features: per-reply read-aloud button · queued auto-read that never interrupts the sentence being spoken · a startup greeting that doubles as engine warm-up · separate strategies for streaming steps and settled summaries · a new turn cancels the previous one · a conversation switch stops playback · symbols, units and punctuation spoken the way a person would say them · audio kept in memory · per-sentence speed and expression · voice presets · an embedded engine console · loopback-only routes.

Full documentation: docs/README.en.md · Downloads: see the Releases page.