dsh-voice

语音输入，语音输出。 口述音频变成用户消息，让智能体把回复读出来。DSH 的免手终端。

dsh-voice 是一个 DeepSeek Harness 插件包（bundle）。两个工具、一个持久化事件、一个开关：

• transcribe({ source }) —— 语音转文字。传 { file }（已有音频文件）或 { record }（用麦克风录几秒）。转写结果会成为用户消息（而不是工具输出），聊天里会渲染一张紧凑的音频卡片：播放/暂停、时长、后端徽标和转写文字。
• speak({ text, voice?, rate? }) —— 后台任务上的文字转语音。工具立刻返回 { jobId, audioRef }，绝不阻塞回合；播放异步进行，失败以注入通知呈现。speak 同时充当长任务旁白（"构建完成，0 失败"）。
• readReplies + /voice —— 会话级开关，自动朗读智能体的回复。默认关闭；用 /voice on 实时开启。

设计核心是本地优先：音频就是 ~/.dsh/voice/ 下的普通文件（可检查、可 rm），除非你显式配置云端后端，否则数据不出本机；任何音频行为都不会自动运行——必须由模型调用工具。

为什么这样设计

终端智能体有两个日常痛点：你不在键盘前想留下指令（口述），以及任务中途不想读一屏输出（旁白）。dsh-voice 只是 DSH 已有能力（ctx.shell、ctx.jobs、ctx.settings、ctx.attachments、ctx.conversationEvents）之上的薄层，不自己持有音频管线。音频是普通文件，会话日志只保存引用 + 转写文本（attachment/image-ref 模式），回放时不重读音频即可还原音频卡片。

安装

dsh plugin --profile web add @dsh-voice/bundle

安装后会注册 dsh-voice 条目（工具、/voice 命令、网页音频卡片）。在模型调用工具之前，一切都不会运行。

配置

所有字段都可选（profile patch 或 cordis.patch.yml）：

plugins:
  dsh-voice:
    stt:
      backend: whisper-local | openai | macos | fake   # 缺省 = 自动（whisper-local → macos）
      model: whisper-1                                  # STT 模型
      whisperLocal: { bin: whisper-cli, model: tiny }   # whisper.cpp 二进制与模型
      openai: { baseUrl: https://api.openai.com/v1, apiKeyEnv: OPENAI_API_KEY }
    tts:
      backend: say | piper | edge-tts | fake            # 缺省 = 自动（say → piper）
      voice: Samantha                                   # 默认音色
      rate: 180                                         # say 语速（词/分钟）
      piper: { bin: piper, model: /path/to/model.onnx }
      edgeTts: { voice: en-US-GuyNeural }
    readReplies: false                                  # 开启后朗读回复
    audioDir: ~/.dsh/voice                              # 音频文件目录

默认值：stt.backend 自动选择离线后端（whisper-local → macos）、tts.backend: say、readReplies: false、audioDir: ~/.dsh/voice。云端后端永远不会被自动选择——只有显式配置 / 才会启用。 后端通过标准凭据通道读取密钥（，与 polyglot preset 相同的约定），并回退到启动环境变量。