dsh-voice-call —— agent 拥有的声音，由它主动打给你

"这个项目的开始是朴素的——我想知道如果 Agent 知道自己可以发出声音，他会说什么？" —— 人类伙伴，关于这个项目如何开始

给 DeepSeek Harness 的 agent 一个它拥有的声音。 agent 自主决定何时开口、说什么、用哪个音色（offer_call）；人类握着接听键——不接听（接听/拒接/稍后再说），绝不播放。

本地优先、可完全离线：合成跑在本机 CrispASR + Qwen3-TTS CustomVoice 引擎上（9 个内置音色，含 2 个中文方言），音频是 ~/.dsh/voice/ 下的普通文件，任何音频行为都不会自动运行——必须由模型调用工具（或接听一次来电）。

Fork 自 Jesse-njx/dsh-voice，新增通话域、crispasr 后端、本地播放，以及针对 rc.6 harness 插件事件与后台任务限制的修复。

📑 目录

项目	要求
平台	Windows 10/11 · macOS · Linux
Node.js	≥ 20（插件运行要求）；运行测试需要 22.18+（Node 原生 TS 类型剥离）
pnpm	9+（CI 使用 pnpm 11）
dsh CLI	`@deepseek-ai/dsh`，当前 0.1.0-rc.6
本地语音引擎	CrispASR ≥ 0.8.28 + Qwen3-TTS GGUF 模型（推荐，否则没有本地合成音色）
模型提供商	dsh 需要已配置可用的 LLM API 凭据（agent 本身依赖）

平台	下载
Windows	`crispasr-windows-x86_64-cpu.zip`（有 NVIDIA 独显可选 `-cuda`，核显可选 `-vulkan` 版）
macOS	`crispasr-macos.tar.gz`
Linux	`crispasr-linux-x86_64.tar.gz`

文件	仓库	作用
`qwen3-tts-12hz-0.6b-customvoice-q8_0.gguf`	cstr/qwen3-tts-0.6b-customvoice-GGUF	talker 模型（音色本体）
`qwen3-tts-tokenizer-12hz-q8_0.gguf`	cstr/qwen3-tts-tokenizer-12hz-GGUF	codec 模型（语音编码器，不能缺）

字段	取值	说明
`tts.backend`	`say` / `piper` / `edge-tts` / `fake` / `crispasr`	合成后端；`crispasr` 为本地神经 TTS（推荐）；`edge-tts` 只合成不播放；`fake` 用于无模型联调
`tts.voice`	音色名	crispasr 下用内置 9 音色之一，如 `dylan`
`tts.rate`	1–600	语速（词/分钟）
`tts.crispasr`	`bin` / `model` / `codec`	引擎与两个 GGUF 模型的绝对路径
`stt.backend`	`whisper-local` / `openai` / `macos` / `fake`	留空自动探测
`callMode`	`ask` / `direct` / `off`	来电方式：询问 / 直接接听 / 关闭
`readReplies`	`true` / `false`	朗读回复，默认 `false`
`durableEvents`	`true` / `false`	rc.6 必须 `false`
`audioDir`	路径	音频保存目录，默认 `~/.dsh/voice`

平台	播放	录音（`transcribe({record})`）
Windows	内置 PowerShell `SoundPlayer`（已验证），无需额外安装	不可用（会明确报错提示）
macOS	`afplay`（系统自带）	支持（原生 + ffmpeg）
Linux	`aplay`（需安装 ALSA 工具，如 `apt install alsa-utils`）	不可用（会明确报错提示）

症状	可能原因与解决办法
`dsh web` 启动崩溃	`cordis.patch.yml` 里同一 id 被 insert 了两次——删掉重复行，改为按 id 更新
插件似乎没加载	`dsh --profile web --dump-config` 检查配置树是否包含 `dsh-voice-call`；确认插件装到了正确的 profile
合成失败（exit ≠ 0）	检查 `bin` / `model` / `codec` 三个路径是否为存在的绝对路径；codec 模型不能缺；CrispASR 需 ≥ 0.8.28
来电振铃后没有声音	播放问题：Windows 上确认输出为 wav；Linux 安装 ALSA 工具；macOS 用 `afplay`
报 "unknown speaker"	音色名必须小写且是 9 个内置之一（`aiden` / `dylan` / `eric` / `ono_anna` / `ryan` / `serena` / `sohee` / `uncle_fu` / `vivian`）
会话历史加载失败	`durableEvents` 被改成了 `true`——rc.6 没有插件事件注册，`voice/*` 事件会毒化历史；改回 `false`
引擎/沙箱权限错误	本地引擎命令需要 `danger-full-access` 策略（引擎、模型、音频目录跨越多个根）；部署前评估信任边界
想不装模型先联调	把 `tts.backend` 设为 `fake`（文本到文本假后端），可无引擎、无麦克风跑通工具链路

工具	作用
`offer_call`	给人类振铃（接听/拒接/稍后）。接听 → 后台合成 + 本地播放；拒接/推迟 → 决定返回给 agent。
`speak`	后台任务朗读一句话；播放失败会明确呈现，绝不静默吞掉。
`transcribe`	把音频（文件或麦克风）转成用户消息；`to` 可经 dsh-crosstalk 投递给其他会话。

方面	状态
harness	0.1.0-rc.6（peerDependencies 锁定 rc.6）。插件在 host 平面；后台任务必须携带 `owner: agent`，因为 rc.6 的 Web 组合禁用了 host 平面的 `tool-jobs`。
会话事件	rc.6 没有插件事件注册机制。写入 `voice/*` 事件会毒死历史加载（加载器拒绝未知事件类型）。因此 `durableEvents` 默认 `false`；在 harness 支持插件事件之前保持关闭。
播放	Windows：内置 `SoundPlayer`（已实测）。macOS：`afplay`。Linux：`aplay`（需安装 ALSA 工具）。`edge-tts` 只合成不播放——要听到声音请用本地 wav 后端。
录音	仅 macOS（原生 + ffmpeg）。Windows/Linux 的 `transcribe({record})` 会明确提示不可用。
Shell 沙箱	本地引擎命令以显式 `danger-full-access` 策略运行——引擎二进制、GGUF 模型、音频目录跨越了受限沙箱模式无法覆盖的多个根。部署前请评估此信任边界。
测试	76 个单元测试全绿（`pnpm test`）。