dsh-voice-scribe

DSH 专属语音输入插件：点按或按住 Alt 说话、松开/再点按转文字，结果追加到输入框草稿末尾（不覆盖已输入内容）。 Voice input for DeepSeek Harness: tap or hold Alt to talk, get text in the composer.

⚠️ 非官方插件，与 DeepSeek / 深度求索公司无关联。使用前请阅读 SECURITY.md。

安装 Install

dsh plugin --profile web add dsh-voice-scribe   # 重启 dsh web 后生效

使用 Usage

• 麦克风按钮：输入框右侧 🎤 图标，点击开始说话、再点停止并转写（按钮录音中变红）
• 热键：点输入框 → 按 Alt 开始说话 → 再按 Alt 结束并转写（备选 Alt+空格；设置 → 语音输入 → 热键可选「自定义」，录制任意组合键，如 Ctrl+Shift+V、F9、Alt+Space）
• 按住说话：设置 → 语音输入 → 触发方式 可选「按住说话」——按住热键录音、松开自动转写（麦克风按钮同样支持）；自定义组合键在按住模式下同样生效（松开组合键中的任意一键即结束）
• 实时中间结果：说话时识别文本实时出现在草稿里（浏览器引擎逐字、本地引擎每 3 秒刷新），停止后替换为最终结果
• 录音电平指示：录音中状态条下方显示实时电平条
• 最长录音时长：本地引擎约 4 分钟、云端 10 分钟，到时长自动停止并转写
• 切窗取消：录音中切到其他窗口自动取消本次录音（Alt+Tab 误触不会留下录音）

识别引擎 Engine（默认「自动」，零配置）

引擎	说明
自动（默认）	本地离线识别优先；不可用时自动回退浏览器识别
本地离线识别	SenseVoice，零配置零 key、音频不出本机；首次使用自动下载模型（约 230MB，国内镜像，只需一次）
浏览器 Web Speech	零配置；依赖 Google/Microsoft 服务（国内 / Edge Stable 可能不可用）
云端 ASR（可选）	服务链：可配置多个 OpenAI 兼容端点按序尝试、失败自动切换；需在设置中配置 API key

浏览器识别依赖外部语音服务（Chrome 在大陆被墙、Edge Stable 有已知回归），故默认以本地识别为主。

云端 ASR 服务链示例：Groq（免费层）→ 硅基流动 SenseVoice → 阿里云百炼，任一失败自动尝试下一个（设置 → 语音输入 → 云端 ASR）。

识别语言 Languages

支持 中文 / English / 粤语 / 日本語 / 한국어（设置 → 语音输入 可选）。本地离线识别自动检测语言；所选语言作用于浏览器与云端识别。

热词替换表 Hot Words（可选）

把识别错的人名、术语、项目名替换回来：编辑 $DSH_HOME/voice/hot.txt（每行一条，修改后下次转写生效）：

# 字面替换（不区分大小写）：正确词=错误词1|错误词2
DeepSeek=deep seek|迪普西克
王小明=王小铭

# 正则替换（标准 $1 语义；未写 flags 时默认全局替换，写 g/y 则按原样使用）
/老\s*师/老师/
/\{([^}]+)\}/【$1】/
/deep\s*seek/DeepSeek/gi

设置 → 语音输入 页面会显示热词表状态（规则条数 / 文件路径 / 解析错误）。云端与本地离线引擎的转写结果统一应用。

自定义润色提示词（可选）

设置 → 语音输入 → 开启润色后：

• 润色模型：下拉选择复用的 DSH 模型（选项来自 DSH 已配置的 provider，首次开启自动选中第一个）
• 润色提示词：可自定义（多行，保存在服务端）；留空或「恢复默认」使用内置的最小必要修正提示词

润色时会先做一步本地规则预润色（去「嗯/呃」等口头禅、折叠多余空格），再把更短更干净的文本交给 LLM，省 token；LLM 失败时仍保留原始转写。

隐私 Privacy

本地引擎音频不出本机；Web Speech 由浏览器语音服务处理；云端 ASR 的 key 只存服务端。

与同类插件对比 Compare

同为 DSH 的语音 / 输入增强插件，主要差异（截至 2026-09）：

	dsh-voice-scribe（本插件）	dsh-better-input
定位	专注语音输入	输入增强套件（语音 + 提示词优化 + 文件转 Markdown 等）
本地离线识别	✅ SenseVoice，零 key，音频不出本机	❌ 仅浏览器原生识别
浏览器 Web Speech	✅ 回退	✅
云端 ASR 服务链	✅ 多 provider 故障切换	❌
热词替换表 hot.txt	✅	❌
本地规则预润色（省 token）	✅ 0.4.2 起	❌
AI 润色（复用 DSH 模型）	✅	✅
按住说话 / 录音电平	✅	录音自动停止（无电平）
提示词优化 / 文件转 Markdown	❌	✅

只想要更省心、更私密的语音输入 → dsh-voice-scribe；需要一整套输入增强（提示词优化、文件转 Markdown） → dsh-better-input。两者可并存。

已知限制 Known limitations

• 输入框里含 @ 引用芯片（如 @文件）时，DSH 只提供「整段替换草稿」的接口，转写结果插入会把芯片展开成纯文本；先发送或清空草稿再听写可避免。
• 浏览器 Web Speech 依赖外部语音服务，国内网络下通常需要改用本地离线或云端引擎。

兼容性 Compatibility

• 需要 DSH 0.1.0-rc.6 及以上；peer 范围显式列出每条已发布的预发布线（0.1.1-rc / 0.1.2-alpha / 0.1.3-alpha / 0.1.5-alpha / 0.1.6-alpha），semver 的预发布规则要求逐条列出元组，否则该线宿主会一直收到 unmet-peer 告警。
• 输入框插槽 conversation.input.right 在 DSH 0.1.2 起由 <textarea> 改为 Lexical contenteditable：0.4.8 起两种形态都支持（读取实时草稿走 useInput，写入走 inputActions.setDraft）。
• 界面没有麦克风按钮（旧壳子没有该插槽）时，Alt 热键仍然可用。
• 实测核对：0.4.10 逐文件对照了 DSH 0.1.5-rc.1 与 0.1.2-rc.1 —— 宿主端 dsh-host-webserver 两份字节一致，webServer / webRuntime / llm 三个服务与 ctx.llm.prepareCall / 流式 text-delta / finish.reason 均无变化；客户端 dsh-client-modules / dsh-client-ui-renderer / dsh-client-locale / dsh-client-ui-settings 四份字节一致，插槽注册、setDraft、useInput(s => s.draft)、[data-composer-card] + contenteditable 的 DOM 形态全部不变。

开发 Dev

npm test          # 测试
npm run lint      # 语法检查
npm run security  # 密钥/路径泄露扫描

License

MIT