dsh-soundcheck

文本模型看不见声音。这个插件把一首歌拆成它能读的东西。

丢一首本地音频给它，它把能量、速度、调性、编曲密度量一遍， 再合成一段人话——哪里最满、哪一下反差最大、收尾是淡出还是硬切。

它不是让模型"听见"，是让模型"读懂"。 没有多模态，也能对一首歌说上话； 代价是它只知道结构，不知道声音长什么样——人声、歌词、乐器只给方向， 能说的和不能说的它都会标出来。

说白了：给一首歌做体检。时长、响度、有没有削波、拍速、调性这些硬指标它说得比较准。

音频不出本机。 没有上传、没有联网、没有云端分析。

---

它真能帮上什么

不是吹的，下面这些是从实际对话里试出来的：

一首老钢琴曲，它能说出：

4 分 10 秒、99 拍；D# 大调但不太稳；前 16 秒几乎空着，之后一路铺满； 2:24 之后越往后越密；3:12 抽空 18 dB，3:28 又砸回来；4:00 淡出但底下还有东西。

它报告里说的那三件事，在曲线上就是三个点：

一首古筝领奏的器乐：

慢热型：前 32 秒铺垫，1:52 最密，2:24 开始加厚，4:32 塌下去、4:48 硬收尾。 和声一直在 D–E–F# 上打转，听感偏五声。

它还押了一句"民族/东方融合、偏配乐或国风电子"——方向是对的，但这是推断，不是测量。

一份只有鼓和贝斯的半成品：

低频占满、中高频空着；峰值 −3.7 dBFS、整体 −21.8 dBFS，还有 6–8 dB 余量。

这种"还差多少电平"的判断，对做混音的人最直接。

它不是在"听懂"，它是把能量、密度、调性这些量出来，再合成一段判断。

---

它是怎么做到的

本机解码，然后算几样东西：

• 能量曲线：16 秒一块，绝对 dBFS，不归一化；
• 节拍：两条独立算法交叉验证，所以能发现"半速/双倍速"；
• 调性：Krumhansl 模板 + 候选排序，模板不适用时会直说；
• 和弦：只到根音级，不硬猜大/小三度和七度；
• 编曲密度：起音密度、频谱变化率，用来判断"满不满"；
• 声源：一个 16 MB 的小模型看"像什么"，只当方向。

最后把这些合成三段：[判断]（结论）、[依据]（数字）、[可信]（哪些能信）。

没有大模型，不联网，音频不出本机。

你看到的三个能力，其实是三种问法：

• audio_analyze —— 整首
• audio_section —— 某一段
• audio_provision —— 装运行环境（/audio-install 背后就是它，也可以让助手直接调）

---

装

需要：Windows、Python 3.10+（命令行能跑 python -V）、约 550 MB 磁盘、第一次要联网。

三种装法，选一个：

1. DSH 插件管理界面 → 从本地文件夹安装
2. 命令行：

   dsh plugin --profile desktop add "<你解压出来的目录>"
   

3. 直接跟 DSH 说："把这个插件装上，目录是 ……"，让它自己装。

装完重启 DSH。

然后装运行环境——这一步不会自己偷偷开始，得你点一下：

• 在 DSH 里输入 /audio-install（/ 菜单里能看到，带说明）
• 它会告诉你：要下约 470 MB（librosa + onnxruntime + 16 MB 模型），大概几分钟，走国内镜像
• 装完再输入 /audio-status 可以确认状态

不想点也行，直接跟 DSH 说："帮我把音频插件的引擎装好"——它会自己从头装到尾，不用你敲命令。

之后每次分析只要几秒。

---

怎么问

不用记命令，像跟人说话就行：

• "这首歌怎么样？"
• "副歌在哪？哪一段最满？"
• "2:40 到 3:10 这段怎么回事？"
• "速度多少？什么调？"
• "这歌是什么风格？"

追问 "为什么" 会给数字；追问 "像什么" 会给方向，并标上"这是推断"。

还有个好用的问法："如果我猜错了，应该听到什么？" —— 它会给你一个反证条件，你听一遍就能否掉。

---

一句提醒

这是个轻量插件，没有大模型撑着。

结构、速度、响度、调性这些硬信息，它说得比较准；乐器和风格只能给方向——别拿它当严谨鉴定，尤其别拿它断中文乐器和细分流派。

---

许可

MIT。

第三方依赖与模型（librosa、scipy、onnxruntime、YAMNet 等）的许可见 THIRD_PARTY_NOTICES.md。